数据挖掘 — Learn To Rank(LTR)

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_20095389/article/details/88189644

1、文本特征向量提取方式

• TF - IDF：单词在当前文档出现的频率 * log(总文档/单词在总文档中出现的文档数 ) 统计单词的TF-IDF，作为文本特征向量
• CountVectorizer：只统计单词的词频，作为文本特征向量

上面两种方式参考这篇 https://blog.csdn.net/The_lastest/article/details/79093407

• Word2Vec
  隐藏层求得onehot维度 * 隐藏层神经节点的个数，就是我们需要的wordvec，每一行就是对应单词的编码后的向量
  • CBOW：输入是上下文，输出是种子单词
  • Skip-Gram： 输入是种子单词，输出是上下文

word2vec 参考

• https://www.jianshu.com/p/471d9bfbd72f
• https://blog.csdn.net/rlnlo2pnefx9c/article/details/78747970

2、LTR算法

（TODO 每个方式找个具体的算法看下怎么做的）
https://blog.csdn.net/manduner/article/details/80702762

• Pointwise
• Pairwise
• Listwise

3、评价标准

https://blog.csdn.net/manduner/article/details/80702762
https://www.cnblogs.com/eyeszjwang/articles/2368087.html

• MAP
• NDCG