آموزش رتبهبندی یا رتبهبندی مبتنی بر یادگیری ماشینی (MLR) روشی است که از یادگیری ماشینی، معمولاً به صورت نظارتشده، نیمهنظارتشده یا یادگیری تقویتی، برای ساخت مدلهای رتبهبندی در سیستمهای بازیابی اطلاعات استفاده میکند.
کاربردها
رتبهبندی بخش مرکزی بسیاری از مسائل بازیابی اطلاعات است، مانند بازیابی اسناد، فیلترسازی مشارکتی، تحلیل احساسات و تبلیغات آنلاین.
ویژگیهای برداری
برای سهولت الگوریتمهای MLR، جفتهای پرسش-سند معمولاً با بردار های عددی نشان داده میشوند که به آنها بردار ویژگی گفته میشود.
روشها
الگوریتمهای آموزش رتبهبندی به سه دسته نقطهای، جفتی و لیستی تقسیم میشوند. روشهای لیستی معمولاً عملکرد بهتری نسبت به روشهای جفتی و نقطهای دارند.