利用ε-贪婪学习和用户行为反馈的搜索引擎网页排序算法

发布时间：2024-12-22 00:17

　　 为了提高网页排序的准确性,提出一种基于ε-贪婪学习和用户点击行为的网页排序算法。首先,根据用户查询,通过轮盘赌策略向用户推荐相关网页列表;然后,根据用户点击网页的行为进行ε-贪婪学习,计算得到排序系统中的强化信号,通过奖励和惩罚机制为每个网页计算相关性程度值;最后,根据相关性程度对网页进行重新排序。随着用户反馈的信息越来越多,相关网页会排列在列表的最高等级上。实验结果表明,提出的算法能够准确地推荐出相关网页,在P@n、NDCG和MAP性能指标上都获得了较优的性能。

【文章页数】：5 页

【部分图文】：

图1强化学习的框架

提出了一种基于学习自动机的排序算法LＲUF，其利用了用户反馈信息。LＲUF算法根据排序列表中的每个网页的位置进行排序，并对更新的评分进行排序。在此方法中，当网页被选择的概率很低时会被删除，并被其他网页所取代，从而减少了“富者愈富”的效应。因为这种算法需要计算每个步骤中所有网页的概....

图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表示学习率;β表示步长，数值为0．01;t是时间，t=0时的学习率为1，随着时间的推移接近零，学习完成;r表示奖励，这个参数....

图4各种算法的NDCG@10性能比较

6个查询组成，16140个具有相关度的查询—网页对。OHSUMED包含45个特征，这些特征由查询—网页对决定，其中一些特征不依赖于查询—网页对。另外，用户判断类型有相关的、部分相关的和不相关的三个。4．3性能评估将GLUB-Ｒank方法与ＲankBoost和ＲankSVM算法进行....

本文编号：4019140