ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Document Numérique

1279-5127
 

 ARTICLE VOL 18/1 - 2015  - pp.97-121  - doi:10.3166/dn.18.1.97-121
TITRE
Sélection de variables en apprentissage d’ordonnancement. Évaluation des SVM pondérés

TITLE
Feature selection in learning-to-rank. An evaluation of weighted-SVM

RÉSUMÉ

Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d’ordonnancement et réduire les temps d’exécution sont des enjeux en apprentissage d’ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuses dans ce cadre. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d’ordonnancement basées sur des approches de pondération des SVM en norme ℓ2. Nous proposons une adaptation d’une méthode 2-AROM qui résout des SVM en norme ℓ0 et un algorithme de pondération de la norme ℓ2 qui résout les problèmes en norme ℓ0 et ℓ1. Nos évaluations sur des jeux de données industriels et de référence montrent que les méthodes proposées sont jusqu’à 7 fois plus rapides et 10 fois plus parcimonieuses que l’état de l’art, pour des qualités d’ordonnancement équivalentes.



ABSTRACT

To select the most useful and the least redundant features to be used in ranking function to reduce computational costs is an issue in learning to rank (LTR). Regularized SVM are promising approaches in this context. In this paper, we propose new feature selection algorithms for LTR based on weighted SVM. We investigate an 2-AROM algorithm to solve the ℓ0 norm problem and a weighted 2 algorithm to solve ℓ0 et ℓ1 norm problems. Experiments on benchmarks and commercial datasets show that our algorithms are up to 10 times faster and use up to 7 times less features than state-of-the-art methods, with similar ranking performance.



AUTEUR(S)
Léa LAPORTE, Sébastien DÉJEAN, Josiane MOTHE

MOTS-CLÉS
apprentissage d’ordonnancement, sélection de variables, SVM pondérés

KEYWORDS
learning to rank, feature selection, weighted SVM algorithms

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (935 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
made by WAW Lavoisier