基于B細胞算法的排序?qū)W習(xí)方法研究.pdf

1、排序?qū)W習(xí)是一種利用訓(xùn)練數(shù)據(jù)自動構(gòu)建排序模型的技術(shù)，廣泛應(yīng)用于信息檢索領(lǐng)域。傳統(tǒng)基于損失函數(shù)的排序?qū)W習(xí)方法存在優(yōu)化目標不直接以及計算復(fù)雜度高等缺陷，為了能夠直接將信息檢索領(lǐng)域的評價指標函數(shù)作為優(yōu)化對象，出現(xiàn)了基于遺傳算法和克隆選擇算法的排序?qū)W習(xí)方法，雖然解決了優(yōu)化目標不直接這一問題，但是學(xué)習(xí)時間仍然沒有得到有效改善。為了既能保證最優(yōu)排序函數(shù)的質(zhì)量，又同時降低學(xué)習(xí)時間，本文將 B細胞算法用于解決排序?qū)W習(xí)問題，研究基于 B細胞算法的排序?qū)W習(xí)方

2、法，研究內(nèi)容主要包含以下三個方面：
　　(1)針對排序?qū)W習(xí)問題定義抗原、抗體和親和力，以將B細胞算法應(yīng)用于排序?qū)W習(xí)。B細胞算法是一種基于克隆選擇機制的免疫算法，為了能夠?qū)⑵鋺?yīng)用于解決排序?qū)W習(xí)問題，需要將抗體、抗原以及親和力針對排序?qū)W習(xí)問題進行具體定義。本文將抗體定義為候選排序函數(shù)，將抗原定義為以查詢?yōu)閱挝坏奈臋n列表，將親和力定義為評價排序函數(shù)性能的評價指標函數(shù)。
　　(2)構(gòu)建抗體的先序編碼序列，以實現(xiàn)抗體上的連續(xù)區(qū)域變異。

3、研究表明B細胞算法比克隆選擇算法收斂速度更快，其原因在于B細胞算法使用一種連續(xù)區(qū)域變異算子。由于抗體使用樹結(jié)構(gòu)進行表示，無法直接在樹上進行連續(xù)區(qū)域變異。所以，本文定義抗體樹的先序編碼序列，先序編碼序列中的連續(xù)區(qū)域與樹結(jié)構(gòu)中的連續(xù)區(qū)域具有對應(yīng)關(guān)系。在抗體樹的先序編碼序列上定義連續(xù)區(qū)域變異算子以及變異規(guī)則，抗體樹先序編碼的另一個優(yōu)點是降低計算復(fù)雜度，因為每個節(jié)點變異無需遍歷樹，只需在線性序列上執(zhí)行。
　　(3)對B細胞算法并行化，以提

4、高學(xué)習(xí)效率。B細胞算法是一種快速、簡單的群智能優(yōu)化算法，具有天然的并行特征，所以在研究其他并行算法的基礎(chǔ)上，將B細胞算法并行化。并行B細胞算法能夠充分利用現(xiàn)代計算機多核處理器的優(yōu)勢，在同樣的學(xué)習(xí)任務(wù)上成倍降低計算時間。除了減少學(xué)習(xí)時間，本文在并行算法中添加交叉操作以豐富種群多樣性，提高學(xué)習(xí)的精度。
　　在以上研究的基礎(chǔ)上，提出基于B細胞算法的排序?qū)W習(xí)算法RankBCA以及基于并行B細胞算法的排序?qū)W習(xí)算法PRankBCA。通過實驗將

5、這兩個算法與 RankSVM、RankBoost、AdaRank-MAP和 ListNet進行比較，實驗證明在OHSUMED數(shù)據(jù)集上RankBCA表現(xiàn)優(yōu)于RankSVM和RankBoost，而 PRankBCA的表現(xiàn)優(yōu)于4種算法且更穩(wěn)定。在 MQ2007數(shù)據(jù)集上，RankBCA和PRankBCA表現(xiàn)優(yōu)于AdaRank-MAP而低于另外三種。每個數(shù)據(jù)集上的PRankBCA均優(yōu)于RankBCA。在學(xué)習(xí)時間方面，PRankBCA有著較好的加速