선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- ,vR] 을 구하고 나면, 주어진 선호도 데이터를 따르도록 식 (2)의 벡터 를 최적화하는 것은 선형 회귀분석(linear regression)으로 간단히 풀 수 있다. 본 논문에서는 선호도 정보가 미리 주어져있지 않다거나, 또는 실시간으로 새로운 선호도 정보가 계속해서 추가되는 경우를 위해(상용 검색 엔진에 적용하고자 하면 이런 상황을 처리할 수 있어야 한다), 아래와 같이 임의의 두 문서 A, B에 대한 새로운 선호도 정보가 들어올 때마다 점진적으로 를 업데이트하는 알고리즘을 유도하였다(분량 제한으로 인해 유도 과정은 생략)
- 웹 검색 환경에서 대다수 사용자들은 최상위 10건 내외의 검색 결과만 확인하기 때문에, 11위 이하의 검색 결과들 중에서 실제로 질의어와 관련성이 매우 높은 웹페이지들이 존재하는 경우, 일반적인 선호도 학습 방법으로는 이들의 순위를 올바르게 보정하기가 어렵다. 본 논문에서는 이러한 한계를 해결하기 위해 기존의 선호도 학습 문제를 준지도 학습(semi-supervised learning)으로 확장하였다. 준지도 학습이란, 수집된 전체 데이터 중 명시적인 정보를 가진 아이템(labeled data)의 양이 부족한 경우, 명시적인 정보가 없는 나머지 아이템(unlabeled data)도 학습에 함께 활용하여 성능을 높이고자 하는 학습 방법이다.
- 본 논문에서는 준지도 학습의 scalability 문제를 해결하는 근사(approximation) 알고리즘을 제안한다. 우선 그래프의 가중치 행렬(weight matrix)을 직접적으로 계산할 필요가 없는 matrix-free 알고리즘을 고안하여 대규모 데이터를 다룰 수 있도록 하였으며, 또한 새로운 검색 기록들이 추가될 때마다 이미 학습된 랭킹 함수를 효율적으로 업데이트할 수 있도록 점진적(incremental) 학습 알고리즘을 개발하였다.
- 본 논문은 웹 검색에서 사용자의 검색 기록과 웹 문서간의 연관 관계를 동시에 이용하여 적합한 랭킹 함수를 학습하는 방법을 소개한다. 웹 검색 환경에서 대다수 사용자들은 최상위 10건 내외의 검색 결과만 확인하기 때문에, 11위 이하의 검색 결과들 중에서 실제로 질의어와 관련성이 매우 높은 웹페이지들이 존재하는 경우, 일반적인 선호도 학습 방법으로는 이들의 순위를 올바르게 보정하기가 어렵다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.