توضیحات
Applying reinforcement learning for web pages ranking algorithms
در این مقاله برای محاسبه Page rank دو الگوریتم آورده شده است که در آنها از RL استفاده شده است.
RL_Rank : این الگوریتم یک الگوریتم connectivity-based می باشد
Hybrid : این الگوریتم ترکیبی از content-based و connectivity-based می باشد که موتور های جست و جو نیز از ترکیبی از این دو الگوریتم استفاده می کنند.
بخشی از ترجمه مقاله:
استفاده از یادگیری تقویتی برای آلگوریتم های رتبه بندی صفحات وب
چکیده
در هر موتور تحقیق رتبه بندی صفحات وب ، یکی از مسایل اصلی معرفی مرتبط ترین صفحات وب به درخواستهای کاربران، است.
در این مقاله، دو آلگوریتم جدید رتبه بندی با استفاده از مفاهیم یادگیری تقویتی RL معرفی می شوند.
RL فن قدرتمندی برای هوش مصنوعی مدرن است که پارامترهای عامل را بطور متقابل بهینه سازی می نماید.
در اولین گام فرمولاسیون رتبه بندی به عنوان مسئلهRL، آلگوریتم ربته بندی مبتنی بر ارتباط پذیری به نام RLRANK پیشنهاد می شود.
در RLRANK، یک عامل به عنوان کاربر اینترنتی تعریف می شود که با کلیک کردن اتفاقی بروی لینک و در صفحات کنونی، بین صفحات وب حرکت میکند.
هر صفحه وب، به عنوان تابع مقدار و حالتی از وضعیت تلقی می شود که میتواند مقیاس آن مرحله را تعیین نماید. به تعداد لینک های صفحات کنونی، پاداش تعلق می گیرد.
رتبه بندی مقیاس ها در RLRANK، بروش متقابلی مورد بررسی قرار می گیرد.
همگرایی این مقیاس ها، ثابت می شود.
در مرحله بعد، روش پیوندی جدید را با استفاده از ترکیب BM25 به عنوان آلگوریتم مبتنی بر محتوا و RLRANK معرفی می نماییم.
هر دو آلگوریتم پیشنهادی با پایگاه های داده ای بسیار مشهوری طبقه بندی شده و براساس معیار مربوطه، تحلیل می شوند.
نتایج تجربی با استفاده از مفاهیم RL نشان داده شده و به توسعه قابل توجهی در رتبه بندی آلگوریتم ها تبدیل می شوند.
توضیح مقاله
در این مقاله برای محاسبه Page rank دو الگوریتم آورده شده است که در آنها از RL استفاده شده است.
انجام پروژه های کمک آموزشی متلب با آموزش در سایت متلبی قابل انجام است.
RL_Rank : این الگوریتم یک الگوریتم connectivity-based می باشد که هدف آن حرکت یک عامل به صورت رندوم از یک صفحه به صفحه دیگر می باشد که هر صفحه با توجه به RL یک state در نظر گرفته می شود که با توجه به state و state قبلی امتیاز آن محاسبه می شود که این کار با یک تابع بازگشتی انجام می شود که در این الگوریتم ابتدا با استفاده از فرمول گفته شده احتمال عبور از صفحه i به صفحه j با استفاده از لینک های خروجی و ورودی صفحه ها محاسبه می شود و سپس با استفاده از آن Page Rank برای هر صفحه به دست می آید.
Hybrid : این الگوریتم ترکیبی از content-based و connectivity-based می باشد که موتور های جست و جو نیز از ترکیبی از این دو الگوریتم استفاده می کنند.
در این الگوریتم ، الگوریتم هایی مانند PageRank ، BM25 ، TF IDF ترکیب شده اند که با استفاده از این الگوریتم ها وزن برای صفحه ها به دست می آید که با استفاده از فرمول رنک صفحه ها بدست می آید که در فرمول از امتیاز صفحه ها استفاده شده است که باید با توجه به فرمول در قسمت BM25 algorithm به دست آید.
خروجی برنامه : در این برنامه از دو dataset Letor و dotIR استفاده شده است که با توجه به ویژگی های موجود در آنها خروجی تشکیل شده است .
در خروجی برنامه 3 نمودار مشاهده می کنید که نمودار figure1 دو الگوریتم RL_Rank و PageRank با هم مقایسه شده اند که این مقایسه روی متوسط دقت میانگین انجام شده است.
دومین نمودار figure2 همین دو الگوریتم را مقایسه کرده است که مقایسه روی نرخ سود تجمعی نرمال انجام شده است.
نتایج شبیه سازی با متلب
کلید واژه :
Ranking, Search engine, Reinforcement Learning, Artificial intelligence, Value function, Agent
شبیه سازی
Applying reinforcement learning for web pages ranking algorithms
طبق توضیحات فوق به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
