Recodificação de atributos para learning to rank usando autoencoders

Página do item simplificado
dc.creatorAlberto de Sá Cavalcanti de Albuquerque
dc.date.accessioned2019-08-10T10:29:05Z
dc.date.accessioned2025-09-09T00:17:42Z
dc.date.available2019-08-10T10:29:05Z
dc.date.issued2017-06-23
dc.identifier.urihttps://hdl.handle.net/1843/JCES-ARRMAB
dc.languagePortuguês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectRecuperação da informação
dc.subjectAprendizado de representações
dc.subjectAprendizado de ranqueamento
dc.subjectComputação
dc.subjectAprendizado de máquina
dc.subject.otherAprendizado de Ordenação de Documentos
dc.subject.otherRecuperação de Informação
dc.subject.otherAprendizado de Máquina
dc.subject.otherRepresentações
dc.titleRecodificação de atributos para learning to rank usando autoencoders
dc.typeDissertação de mestrado
local.contributor.advisor-co1Adriano Alonso Veloso
local.contributor.advisor1Renato Antonio Celso Ferreira
local.contributor.referee1Adriano Alonso Veloso
local.contributor.referee1Edleno Silva de Moura
local.contributor.referee1Leandro Balby Marinho
local.contributor.referee1Nivio Ziviani
local.description.resumoNeste trabalho, nós avaliamos de forma abrangente o impacto e potencial que o aprendizado profundo de representações alternativas tem enquanto aprimorador de resultados em tarefas de ordenação de documentos. Nós utilizamos autoencoders empilhados para criar um conjunto de centenas de representações alternativas de diversas bases de dados, e as avaliamos sob a ótica do desempenho de diversos algoritmos tradicionais de aprendizado de ordenação de documentos. Em outras palavras, procuramos saber o quão fácil ou dificíl é aprimorar a representação dos dados, usando autoencoders, que esses algoritmos utilizam em suas tarefas de aprendizado, e o quão melhores tais representações podem ser. Utilizamos o autoencoder para percorrer o domínio de representações possíveis de forma uniforme, de modo a, também, procurar entender o quão útil o autoencoder é para tal tarefa. Vemos em nossas análises que é possível, embora difícil, aprimorar a representação dos dados de forma relevante, obtendo resultados superiores ao estado da arte nas tarefas de ordenação de documentos. Vemos também que há conjuntos de hiperparâmetros do autoencoder que tendem a gerar resultados melhores.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
albertosacavalcanti.pdf
Tamanho:
822.1 KB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Ciência da Computação - Dissertações

Logo UFMG