為了提高網頁排序的準確性,提出一種基于ε-貪婪學習和用戶點擊行為的網頁排序算法。首先,根據(jù)用戶查詢,通過輪盤賭策略向用戶推薦相關網頁列表;然后,根據(jù)用戶點擊網頁的行為進行ε-貪婪學習,計算得到排序系統(tǒng)中的強化信號,通過獎勵和懲罰機制為每個網頁計算相關性程度值;最后,根據(jù)相關性程度對網頁進行重新排序。隨著用戶反饋的信息越來越多,相關網頁會排列在列表的最高等級上。實驗結果表明,提出的算法能夠準確地推薦出相關網頁,在P@n、NDCG和MAP性能指標上都獲得了較優(yōu)的性能。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1強化學習的框架

提出了一種基于學習自動機的排序算法LＲUF，其利用了用戶反饋信息。LＲUF算法根據(jù)排序列表中的每個網頁的位置進行排序，并對更新的評分進行排序。在此方法中，當網頁被選擇的概率很低時會被刪除，并被其他網頁所取代，從而減少了“富者愈富”的效應。因為這種算法需要計算每個步驟中所有網頁的概....

圖2GLUB-Ｒank算法的流程

e－βt（7）ei（t+1）=ei（t）+α×［－ei（t）?r］（8）fed，q（t+1）=fed，q（t）+α×［－fed，q（t）?r］（9）其中:α表示學習率;β表示步長，數(shù)值為0．01;t是時間，t=0時的學習率為1，隨著時間的推移接近零，學習完成;r表示獎勵，這個參數(shù)....

圖4各種算法的NDCG@10性能比較

6個查詢組成，16140個具有相關度的查詢—網頁對。OHSUMED包含45個特征，這些特征由查詢—網頁對決定，其中一些特征不依賴于查詢—網頁對。另外，用戶判斷類型有相關的、部分相關的和不相關的三個。4．3性能評估將GLUB-Ｒank方法與ＲankBoost和ＲankSVM算法進行....

本文編號：4019140