Geri Dön

Learning to rank web data using multivariate adaptive regression splines

Çok değişkenli uyarlanabilir regresyon eğrileri ile web verilerini sıralamayı öğrenme

PDF İndir

  1. Tez No: 527809
  2. Yazar: GÜLŞAH ALTINOK
  3. Danışmanlar: PROF. DR. İNCİ BATMAZ, PROF. DR. PINAR KARAGÖZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
  6. Anahtar Kelimeler: Büyük veri, Makine öğrenmesi yöntemleri, Veri madenciliği, Big data, Machine learning methods, Data mining
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Son zamanlarda Bilgi Edinme (BE), Doğal Dil İşleme (DDİ) ve Veri Madenciliği (VM) gibi alanlardaki çeşitli uygulamalarda otomatik olarak sıralama modelleri oluşturmak için makina öğrenmesi tekniklerinin kullanılması amacıyla sıralamayı öğrenmek adında yeni bir yaklaşım ortaya çıkmıştır. Bu tekniğin tipik uygulama alanları arasında belge alma, uzman arama, tanımlama arama, işbirlikçi filtreleme, soru yanıtlama ve makine çevirisi gibi pratikler mevcuttur. Bilgi edinme alanında, sıralama için kullanılan üç yaklaşım vardır. Bu yaklaşımlardan biri, Boole Modeli (BM), Vektör Uzay Modeli (VUM) ve klasik Olasılık Modeli (klasik OM) gibi geleneksel modelleri kapsayan bir yaklaşımdır. Bilgi edinmede kullanılan bir diğer yaklaşım ise doğal Dil Modeli (DM) olarak adlandırılır. Bu yaklaşım n-gram Modelleri ve Sorgu Olabilirlik Modellerini (SOM) içermektedir. Üçüncü yaklaşım ise, Destek Vektör Modeli (DVM) ve Yapay Sinir Ağı (YSA) gibi makine öğrenim yöntemlerinden oluşan sistem modeli yaklaşımıdır. Bu çalışmada, sistem modeli yaklaşımında benimsenmiş ve yaygın olarak kullanılan bu modellerinin, DVM ve YSA yöntemlerinin, performansları Çok değişkenli Uyarlanabilir Regresyon Eğrileri (ÇURE) ve Konik ÇURE modelinin (KÇURE) modellerinin performansları ile karşılaştırılmıştır. Sonuçlar ÇURE modelin bu çalışmada göz önüne alınan diğer modellerden daha iyi olduğunu göstermektedir.

Özet (Çeviri)

A new trend, called learning to rank, has recently come to light in a wide variety of applications in Information Retrieval (IR), Natural Language Processing (NLP), and Data Mining (DM), to utilize machine learning techniques to automatically build the ranking models. Typical applications are document retrieval, expert search, definition search, collaborative filtering, question answering, and machine translation. In IR, there are three approaches used for ranking. The first one is the traditional model approaches such as Boolean Model (BM), Vector Space Model (VSM) and classical Probabilistic Model (classical PM). The second approach is called the Language Model (LM). Such models include n-gram Model, Query Likelihood Model (QLM). The final method is namely the system model like Support Vector Model (SVM) and Artificial Neural Network (ANN). In this study, we adopted the system model approach and compared the performances of those widely used models, SVM and ANN with those of Multivariate Adaptive Regression Splines (MARS) and its variant Conic Multivariate Adaptive Regression Splines (CMARS). Results indicate that MARS performs better than the others considered in this study.

Benzer Tezler

  1. Tez No

    395490

    Optimization of an educational search engine using learning to rank algorithms

    Sıralama amaçlı öğrenme algoritmaları kullanarak eğitim tabanlı arama motoru optimizasyonu

    ARİF USTA

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖZGÜR ULUSOY

  2. Tez No

    657528

    Bilgiye erişimde kullanılabilirliğin yeni bir yapay zekâ yöntemiyle geliştirilmesi

    Improving usability in access to information by a new artificial intelligence method

    VELİ ÖZCAN BUDAK

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM EROL

  3. Tez No

    301091

    Learning to rank

    Sıralama öğrenimi

    YASİN OZAN KILIÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. OLCAY TANER YILDIZ

  4. Tez No

    777457

    Sosyal bilgiler öğretmenlerinin web 2.0 araçlarını kullanım yetkinliklerinin ve web 2.0 araçlarına yönelik görüşlerinin belirlenmesi

    Determination of social studies teachers' competencies in using web 2.0 tools and their opinions on web 2.0 tools

    SEYFETTİN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Eğitim ve ÖğretimKütahya Dumlupınar Üniversitesi

    Türkçe ve Sosyal Bilimler Eğitimi Ana Bilim Dalı

    DOÇ. DR. DÖNDÜ ÖZDEMİR

  5. Tez No

    1013120

    Web 2.0 destekli 5E öğrenme modelinin 9. sınıf öğrencilerinin sıvılar konusundaki akademik başarısına etkisi

    The effect of the web 2.0-supported 5E learning model on 9th grade students' academic achievement in the topic of liquids

    İREM CANPOLAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    KimyaGazi Üniversitesi

    Matematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı

    PROF. DR. HÜSEYİN AKKUŞ

Geri Dön