Dissertação

Learning to Rank Academic Experts EVALUATED

A tarefa de procura de peritos tem recebido imenso interesse na literatura de recuperação de informação. No entanto, o actual estado da arte ainda carece de boas abordagens para combinar diferentes fontes de evidência de uma forma óptima. Esta tese explora o uso de métodos baseados em learning to rank como uma boa abordagem para combinar múltiplos estimadores de relevância numa maneira óptima. Estes estimadores são derivados de conteúdos textuais, de estruturas em grafo representando padrões de citação na comunidade de peritos e de informações baseadas no perfil dos peritos. Especificamente, fizeram-se experiências com diversos algoritmos supervisionados de learning to rank representativos das abordagens pointwise, pairwise e listwise. Os algoritmos testados foram o Additive Groves, AdaRank, Coordinate Ascent, RankBoost, RankNet, SVMrank and SVMmap. Esta tese também explora a eficácia de abordagens baseadas na agregação de rankings combinando técnicas de fusão de dados. Foram feitas experiências com algoritmos de estado da arte, nomeadamente o CombSUM, CombMNZ, CombANZ, Borda Fuse, Reciprocal Rank Fuse and Cordorcet Fusion. As experiências foram efectuadas numa colecção de dados de publicações académicas no campo da Engenharia Informática. Os resultados obtidos confirmam a adequação de ambas as abordagens propostas.
Learning to Rank, Procura de Peritos, Redes Neuronais, Support Vector Machines, Boosting, Modelos Aditivos, Agregação de Rankings, Fusão de Dados

novembro 10, 2011, 13:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

CO-ORIENTADOR

Pável Pereira Calado

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

Bruno Emanuel Da Graça Martins

Departamento de Engenharia Informática (DEI)

Professor Auxiliar