A soft computing approach for learning to aggregate rankings [recurso eletrônico] : Uma abordagem de computação suave para o aprendizado de agregação de listas
Javier Alvaro Vargas Muñoz
DISSERTAÇÃO
Inglês
T/UNICAMP V426s
[Uma abordagem de computação suave para o aprendizado de agregação de listas]
Campinas, SP : [s.n.], 2016.
1 recurso online ( 45 p.) : il., digital, arquivo PDF.
Orientador: Ricardo da Silva Torres
Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação
Resumo: Este trabalho apresenta uma nova estratégia para combinar técnicas de agregação de listas ranqueadas usando uma abordagem de computação suave -- Programação Genética -- a fim de melhorar os resultados em tarefas de Recuperação de Informação. Trabalhos prévios mostram que combinando técnicas...
Ver mais
Resumo: Este trabalho apresenta uma nova estratégia para combinar técnicas de agregação de listas ranqueadas usando uma abordagem de computação suave -- Programação Genética -- a fim de melhorar os resultados em tarefas de Recuperação de Informação. Trabalhos prévios mostram que combinando técnicas de agregação de listas em uma forma aglomerativa, é possível obter melhores resultados que os métodos individuais. Porém, esses trabalhos apenas combinam um pequeno conjunto de métodos de agregação de listas e isso de forma arbitrária. Visando tratar destas limitações, dado um conjunto de listas ranquedas e um conjunto de técnicas de agregação de listas, nós propomos usar uma abordagem supervisionada que use programação genética para a busca de combinações destas técnicas que maximizem a eficácia em grandes espaços de busca. Resultados experimentais conduzidos utilizando sete coleções entre diferentes domínios (recuperação de texto, recuperação de imagens baseada em conteúdo, recuperação multimodal) mostram que nosso enfoque proposto alcança um desempenho superior na maioria de coleções quando comparado com técnicas supervisionadas e não supervionadas da literatura. Nós também mostramos que nosso framework é eficiente, flexível e escalável
Ver menos
Abstract: This work presents an approach to combine rank aggregation techniques using a soft computing technique -- Genetic Programming -- in order to improve the results in Information Retrieval tasks. Previous work shows that by combining rank aggregation techniques in an agglomerative way, it is...
Ver mais
Abstract: This work presents an approach to combine rank aggregation techniques using a soft computing technique -- Genetic Programming -- in order to improve the results in Information Retrieval tasks. Previous work shows that by combining rank aggregation techniques in an agglomerative way, it is possible to get better results than with individual methods. However, those approaches either combine only a small set of rank aggregation techniques or are performed in a completely ad-hoc way. In order to address these limitations, given a set of ranked lists and a set of rank aggregation techniques, we propose to use a supervised genetic programming approach to search combinations of them that maximize effectiveness in large search spaces. Experimental results conducted using seven datasets among different domains (text retrieval, content based image retrieval, multimodal retrieval) show that our proposed approach reaches top performance yielding superior results than state-of-the-art in learning-to-rank and in the supervised rank aggregation tasks. We also show that our proposed framework is efficient, flexible, and scalable
Ver menos
Requisitos do sistema: Software para leitura de arquivo em PDF
A soft computing approach for learning to aggregate rankings [recurso eletrônico] : Uma abordagem de computação suave para o aprendizado de agregação de listas
Javier Alvaro Vargas Muñoz
A soft computing approach for learning to aggregate rankings [recurso eletrônico] : Uma abordagem de computação suave para o aprendizado de agregação de listas
Javier Alvaro Vargas Muñoz