排序学习调研 LTR learning to rank

最新推荐文章于 2025-07-29 21:31:10 发布
最新推荐文章于 2025-07-29 21:31:10 发布
阅读量36 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 人工智能 算法
原文链接：http://xtf615.com/2018/12/25/learning-to-rank/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
转载自 http://xtf615.com/2018/12/25/learning-to-rank/

taoqick
关注
RAG应用效果评估框架与优化指南
kakaZhui的博客
06-20 453
例如，追求极致的评估质量可能需要大量人工标注和昂贵的LLM调用，耗时且成本高。因此，选择合适的评估策略和指标，需要在这些因素间找到平衡点。通过采用分层评估框架，结合自动化与人工评估手段，并关注一套覆盖检索和生成质量的多维度指标，我们可以有效地量化RAG系统的表现，识别瓶颈，指导优化。：将自动化评估与周期性的人工评估相结合。为了更清晰地定位问题，可以将RAG评估分为两个层面：组件级评估和端到端评估。RAG系统的优化不是一次性的任务，而是一个持续的过程。高质量的评估数据集是进行有效RAG评估的前提。
Learning to rank基本算法小结
古月哲亭
05-02 262
Learning to rank基本算法小结最近工作中需要调研一下搜索排序相关的方法，这里写一篇水文，总结一下几天下来的调研成果。包括Learning to rank 基本方法Learning to rank 指标介绍LambdaMART 模型原理FTRL 模型原理Learning to rank排序学习是推荐、搜索、广告的核心方法。排序结果的好坏很大程度影响用户体验、广告收入等。排序学习可以理解...
机器学习-01-课程目标与职位分析
IT从业者的成长历程
02-13 1317
本系列是机器学习课程的第01篇，主要介绍本门课程的课程目标与职位分析。
详解RankNet原理及实践
但行好事，莫问前程
11-11 8263
0.pair-wise rank简介          pair-wise rank的主要思想是把排序形式化为成对分类（pairwise classification）或成对回归（pairwise regression）问题。和point-wise 最大的区别是，pair-wise的样本是有一对item的相对关系组成的。例如对于某个用户u, 物品i...
10月31日-知乎
liguandong
10-31 204
为什么在实际的kaggle比赛中，GBDT和Random Forest效果非常好？ - 知乎感谢大家对这个答案的支持。其实除了 Tree-based 方法，近年来 FM 和 FFM 这样的针对大规模稀疏数据机器…https://www.zhihu.com/question/51818176/answer/127637712备注：之前一直是做CV深度学习在电商场景的一些应用，图审，OCR，创意等领域，其实dl是比较多且效果比较好的，直到最近做创意图的智能优选，接触到搜推广领域的一些算法，gbdt，数模型，lr
搜索领域重排序的搜索体验优化实践
专注搜索引擎技术
07-01 537
本文旨在系统性地介绍搜索领域重排序技术的原理、方法和实践应用，帮助读者理解如何通过重排序技术优化搜索体验。内容涵盖从基础理论到实际工程实现的完整知识体系。文章首先介绍重排序的基本概念和背景知识，然后深入探讨核心算法原理和数学模型，接着通过实际案例展示具体实现方法，最后讨论应用场景和未来发展趋势。搜索重排序(Re-ranking)：在初步检索结果基础上，应用更复杂的算法对结果进行重新排序的过程：学习排序，使用机器学习方法训练排序模型的技术：衡量排序质量的常用指标点击率(CTR)：用户点击搜索结果的比例。
美团搜索排序设计方案
热门推荐
千丈之松的专栏
05-24 1万+
一、线上篇随着业务的发展，美团的商家和团购数正在飞速增长。这一背景下，搜索排序的重要性显得更加突出：排序的优化能帮助用户更便捷地找到满足其需求的商家和团购，改进用户体验，提升转化效果。和传统网页搜索问题相比，美团的搜索排序有自身的特点——90%的交易发生在移动端。一方面，这对排序的个性化提出了更高的要求，例如在“火锅”查询下，北京五道口的火锅店A，对在五道口的用户U1来说是好的结果，对在望京的用户...
taoqick 搜索自己优快云博客
taoqick的专栏
08-13 5774
优快云不能搜自己的博客太难受了，就是能简单contains都行啊，被迫把自己的list都列在这，下次直接在这个页面find就行 git merge和git rebase的区别和反思 STL源码剖析——deque的实现原理和使用方法详解 poj 2420 广义费马点 Powershell 美化笔记 Pycharm 关闭文件右侧检查 disable the highlighting level fo...
基于强化学习的推荐系统相关研究进展、经典论文整理分享
lqfarmer的博客
04-09 656
深度学习与NLP 专注深度学习、NLP相关技术、资讯，追求纯粹的技术，享受学习、分享的快乐。 677篇原创内容 公众号 推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。 强化学习是智能体（Agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于...
搜索领域查询优化：优化查询结果的方法
AI天才研究院
05-05 813
在信息爆炸的时代，搜索引擎作为用户获取信息的核心入口，其查询结果的质量直接影响用户体验。查询优化的核心目标是通过技术手段，使搜索引擎返回更符合用户意图的结果。本文将覆盖从基础查询处理到高级机器学习排序的全流程优化方法，包括语义理解、查询扩展、排序算法优化等关键技术，适用于通用搜索引擎、垂直领域搜索（如电商、学术）和企业级搜索系统的开发与优化。
【辩难】DSSM 损失函数是 Pointwise Loss 吗？
bealing的博客
11-30 860
在学习 DSSM 的过程中发现网上有一些人说 DSSM 的损失函数是 Pointwise Loss，也有一些人说 DSSM 的损失函数是 Pairtwise Loss，显然存在矛盾。本人抱着“理不辨不明”的心态，对 DSSM 损失函数进行了调研，得到以下结论：DSSM 损失函数不是 Pointwise Loss，可以认为是 Pairwise Loss 的增强版或者 Listwise Loss 的近似版。
构建高可用性搜索API：搜索接口设计的最佳实践
!... # 摘要 随着数字信息的爆炸性增长，高可用性搜索API变得至关重要，它能够保证用户快速准确地获取信息。...文中还涉及了搜索接口的高级功能，包括个性化排序、安全性增强和国际化本地化处理。最后，通过
Datawhale 科大讯飞AI大赛（模型蒸馏）
1ncludeSteven
07-27 1235
使用教师模型蒸馏学生模型（小模型），使得学生模型尽可能在数学推理任务中表现更好，评分标准由4个指标组成：Overall Score=0.4×AS+0.3×CQS+0.2×ES+0.1×MLS。通过上述方法构建了3个对应的数据集，目前想要对最终的模型使用的数据集进行消融实验，训练及评分过程较慢。三个数据集合并后共包含2126条数据。模型微调后，创建应用，发布服务即可提交赛题，目前赛题评分中，待更新最后分数。
opencv学习（图像梯度）
weixin_63566653的博客
07-26 1258
在图像处理中，图像梯度（Image Gradient）是描述图像中像素值变化率的概念，是理解图像中 “哪里发生变化” 以及 “变化有多剧烈” 的核心工具。从简单的 Sobel 算子到复杂的 Canny 算法，本质都是通过梯度分析实现边缘提取，是计算机视觉中处理图像结构的基础。
AI算法实现解析-C++实例
最新发布
keny-大成的博客
07-29 1416
本文摘要： 本文汇总了基于C++实现的多种AI/机器学习技术，涵盖计算机视觉、自然语言处理和强化学习等领域。主要内容包括： 计算机视觉： 目标检测（YOLOv3/YOLO Tiny） 人脸识别（OpenCV Haar级联/OpenFace） 图像风格迁移（OpenCV DNN模块） 特征匹配（SIFT/Lucas-Kanade光流） 自然语言处理： 文本分类（朴素贝叶斯/TF-IDF） 语言模型（N-gram/Word2Vec） 文本生成（LSTM/GRU） 情感分析（FastText/深度学习） 强化学习
AI模型训练中过拟合和欠拟合的区别是什么？
workflower的博客
07-28 930
定义：模型未能充分学习到数据中的规律，对训练数据的拟合程度较差，在训练集和测试集上的表现都不好（如准确率低、损失值高）。- 定义：模型过度学习了训练数据中的细节（包括噪声和随机波动），导致对训练数据拟合效果极好，但对未见过的测试数据泛化能力差。- 表现：训练集性能极好（如准确率接近100%），但测试集性能明显下降，两者差距很大。- 表现：训练集和测试集的性能指标（如准确率）都较低，且两者差距不大。- 过拟合：模型“学太死”，只对训练数据表现好，对新数据没用。- 模型结构过于复杂（如参数过多）；
RoPE：相对位置编码的旋转革命——原理、演进与大模型应用全景
拒绝AI玄学，只聊真技术▲
07-26 2440
RoPE通过几何旋转的统一框架，实现了位置编码的相对性、可逆性与外推性的平衡，成为大模型位置感知的基石技术。跨模态统一：N维李群框架支撑视频、3D点云位置建模动态频率学习：替代预设θbaseθbase​，实现任务自适应编码鲁棒性增强：融合FoPE思想抵抗深层频谱损坏RoPE的本质是将位置关系映射为复数空间的旋转群——它不仅是Transformer的“位置感知器”，更是AI理解时空的数学透镜。当旋转矩阵的维度从文本扩展到图像、视频乃至物理世界，位置编码的数学之美正在重构AI对世界的认知方式。
人工智能与交通：智能出行的变革与突破
一套方法论打通全栈闭环，从 0 到 1 教你驾驭需求、设计、开发、项目、课题、论文和软著，速成全栈王者！
07-25 1480
AI 驱动的智能交通不仅是技术升级，更是对城市空间、能源利用、社会分工的全面重构。从自动驾驶解放人类的驾驶时间，到智能调度让城市告别拥堵，再到绿色交通助力碳中和，每一项进步都在重新定义 “出行” 的意义 —— 从 “必要的负担” 变为 “高效、安全、愉悦的体验”。实现这一愿景需要技术突破、法规创新、社会协同的多方努力。当技术足够成熟、法规足够清晰、公众足够信任时，智能交通将成为 “未来城市” 的血管系统，支撑起更高效、更公平、更可持续的人类生活方式。
人工智能时代的战略竞争优势商业模式创新培训讲师培训师专家咨询顾问唐兴通谈个性化在制造业金融业医疗医药石油化工SARS软件行业大客户营销与销售背后的价值
Akibfrycc的博客
07-26 1175
这让我想起《孙子兵法》中的"迅雷不及掩耳"——当你的竞争对手还在为季度营销计划绞尽脑汁时，真正的领导者已经构建了能够同时运行数百个覆盖数百万客户的实验系统，在短短几天内就能提取洞察，并将其融入下一轮互动。他们深谙个性化的真谛：结合智能整合与自动化，在敏捷团队中跨越功能孤岛，将测试和学习的时间线压缩至小时级别，月度实验数量提升至数千个。真正的个性化能力竞争是组织能力的竞争。今日，不知多少企业迷信于购买昂贵的营销自动化平台，招揽数据科学家，实施CRM系统，却依然无法真正理解客户，更遑论预测需求、创造价值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值