SVM-Rank es una técnica para ordenar listas de artículos. SVM-Rank utiliza SVM estándar para clasificar tareas.
Supongamos,
Tenemos un clasificador (SVM) y tenemos dos elementos, elemento1 y elemento2.
Se espera que el artículo 1 se ordene antes que el artículo 2.
Luego,
Entrada al clasificador: (item1, item2)
Salida del clasificador: 1 [lo que implica que el pedido del artículo es correcto, es decir. item1 es mejor que item2]
Entrada del clasificador: (item2, item1)
Salida del clasificador: -1 [lo que implica que el pedido del artículo es incorrecto]
- ¿Qué debo buscar al comprar una computadora para ejecutar experimentos de Machine Learning?
- ¿Cuál es la mejor computadora portátil que puedo obtener para aprender el aprendizaje profundo con CUDA?
- ¿Qué es un uso subestimado del aprendizaje automático?
- ¿Cómo se ajustan los pesos en una red neuronal mientras estoy entrenando la red?
- ¿Cómo se usan los árboles BSP (partición de espacio binario) en los algoritmos de aprendizaje automático?
Digamos que el orden preferido de tres elementos es (elemento1, elemento2, elemento3)
Clasifique el par de artículos usando el clasificador entrenado
(item1, item2) = 1, (item1, item3) = 1 => puntaje del item1 = 1 + 1 = 2
(item2, item1) = -1, (item2, item3) = 1 => puntaje del item2 = -1 + 1 = 0
(item3, item1) = -1, (item3, item2) = -1 => puntaje del item3 = -1 – 1 = -2
Según el puntaje, obtenemos rango: elemento1, elemento2, elemento3
El mismo proceso puede repetirse para cualquier número de elementos.
El paso inicial del problema de optimización se formula como regresión ordinal; sin embargo, usando la diferencia entre pares, el problema de regresión se convierte en un problema de clasificación.
SVM-Rank utilizó vectores de diferencia por pares para producir una lista de elementos de clasificación.
Entonces, dada una lista de elementos representados como vector de características, si queremos ordenarlos, SVM-Rank es lo correcto.
Para obtener detalles sobre SVM-Rank, puede consultar esta página de papel en aminer.org