基于广义回归神经网络的网页排序学习研究

• 作 者: 常伟
• 出 处: 昆明理工大学
• 发表日期: 2019年01期
• 关键词: 广义回归神经网络 排序学习 时间局部性 搜索引擎

随着互联网的飞速发展,用户通过互联网发布的博客和文章等数据的数量呈指数级增长,大数据的时代已经到来。例如Google、百度、Yahoo等网页搜索引擎中包含着数以TB,乃至PB级别的存储数据。在实际生活中,用户每天主要的任务是从互联网上检索出需要的数据,而搜索引擎的任务就是从如此庞大的数据集中快速地查找到令用户满意的数据资源并且按照相关性进行排序返回给用户。在如今的搜索引擎中,网页排序学习模型起着一个至关重要的作用。如何从如此大规模的数据集中快速地检索数据并且按照相关度进行排序成为排序学习模型中一个重要的研究课题。传统的网页排序学习模型在进行信息检索时面临着训练时间长、准确率低等缺点。本文结合了广义回归神经网络的特点,进行了基于广义回归神经网络的网页排序学习模型的研究。首先,本文引入广义回归神经网络对网页排序学习模型进行构建。广义回归神经网络是一种基于径向基函数网络改进的模型,它具有学习速度快、训练样本少、实时性高以及收敛于全局最优解等优点,能够改善传统排序学习模型训练时间长的问题。其次,本文使用遗传算法对光滑因子参数的最优值进行搜索,从而改善排序学习模型的准确度低的问题。再次,广义回归神经网络有一个空间复杂度高的缺点,本文提出使用分块的技术进行改进。它利用计算机的局部性原理来解决广义回归神经网络的空间复杂度过高的问题。最后进行实验分析,实验结果显示基于广义回归神经网络的排序学习模型具有较高的查询效果。