基于排序學習的商品搜索算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術的發(fā)展，電子商務在我國的經(jīng)濟建設的地位越來越重要。商品搜索引擎是電子商務網(wǎng)站一個重要的部分，是用戶在網(wǎng)站上購物的入口，起到連接一切商品的橋梁的作用。傳統(tǒng)的信息檢索以簡單的模型或規(guī)則建立對商品的排序，但是隨著商品決策因子的增加，人工加權的簡單模型越來越不能適應多維度的海量數(shù)據(jù)的快速變化。為了發(fā)揮機器的計算能力和解放人工計算的繁雜工作，本文研究以機器學習的角度解決商品的搜索和排序。本文從傳統(tǒng)信息檢索領域出發(fā)，研究常見信息檢索模

2、型，通過比較和分析排序學習模型的優(yōu)缺點，建立商品搜索引擎必備的理論基礎。
　　首先本文研究了排序學習模型中Pointwise、Pairwise和Listwise的異同點，對排序學習有了理論上的基礎之后，本文詳細研究了機器學習中的模型訓練和測試過程，為了能夠精確處理海量日志數(shù)據(jù)，本文從特征的選擇和學習等角度建立對特征的構造一般方法。其次，本文深入研究了ListNet模型，介紹了ListNet模型中把得分序列轉換成概率分布的方法，把整

3、個序列看成實例的Listwise方法是排序學習中最直接、效果最好的方法。ListNet使用神經(jīng)網(wǎng)絡模型，用梯度下降方法來優(yōu)化算法。最后在研究了排序結果評價方法和損失函數(shù)的融合基礎上，本文進行了一系列的實驗來驗證本文所提到的算法的有效性。
　　實驗的結果表明，在電子商務網(wǎng)站的商品搜索中Listwise方法是最自然的表述搜索過程的模型，特征對最后的結果有著非常重要的作用，應該從用戶搜索商品這一實際過程出發(fā)建立能夠影響搜索行為的特征，同