Recodificação de atributos para learning to rank usando autoencoders
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/JCES-ARRMAB |
Resumo: | Neste 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. |
id |
UFMG_9cac0cf927465f8f2e2da7f668e4de29 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/JCES-ARRMAB |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Renato Antonio Celso FerreiraAdriano Alonso VelosoAdriano Alonso VelosoEdleno Silva de MouraLeandro Balby MarinhoNivio ZivianiAlberto de Sá Cavalcanti de Albuquerque2019-08-10T10:29:05Z2019-08-10T10:29:05Z2017-06-23http://hdl.handle.net/1843/JCES-ARRMABNeste 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.Universidade Federal de Minas GeraisUFMGRecuperação da informaçãoAprendizado de representaçõesAprendizado de ranqueamentoComputaçãoAprendizado de máquinaAprendizado de Ordenação de DocumentosRecuperação de InformaçãoAprendizado de MáquinaRepresentaçõesRecodificação de atributos para learning to rank usando autoencodersinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALalbertosacavalcanti.pdfapplication/pdf841832https://repositorio.ufmg.br/bitstream/1843/JCES-ARRMAB/1/albertosacavalcanti.pdf92cccc5eece821a6c2050577f40692d8MD51TEXTalbertosacavalcanti.pdf.txtalbertosacavalcanti.pdf.txtExtracted texttext/plain144305https://repositorio.ufmg.br/bitstream/1843/JCES-ARRMAB/2/albertosacavalcanti.pdf.txt0448f918f33755b11726bb2c8cf56ca1MD521843/JCES-ARRMAB2019-11-14 04:04:05.624oai:repositorio.ufmg.br:1843/JCES-ARRMABRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T07:04:05Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Recodificação de atributos para learning to rank usando autoencoders |
title |
Recodificação de atributos para learning to rank usando autoencoders |
spellingShingle |
Recodificação de atributos para learning to rank usando autoencoders Alberto de Sá Cavalcanti de Albuquerque Aprendizado de Ordenação de Documentos Recuperação de Informação Aprendizado de Máquina Representações Recuperação da informação Aprendizado de representações Aprendizado de ranqueamento Computação Aprendizado de máquina |
title_short |
Recodificação de atributos para learning to rank usando autoencoders |
title_full |
Recodificação de atributos para learning to rank usando autoencoders |
title_fullStr |
Recodificação de atributos para learning to rank usando autoencoders |
title_full_unstemmed |
Recodificação de atributos para learning to rank usando autoencoders |
title_sort |
Recodificação de atributos para learning to rank usando autoencoders |
author |
Alberto de Sá Cavalcanti de Albuquerque |
author_facet |
Alberto de Sá Cavalcanti de Albuquerque |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Renato Antonio Celso Ferreira |
dc.contributor.advisor-co1.fl_str_mv |
Adriano Alonso Veloso |
dc.contributor.referee1.fl_str_mv |
Adriano Alonso Veloso |
dc.contributor.referee2.fl_str_mv |
Edleno Silva de Moura |
dc.contributor.referee3.fl_str_mv |
Leandro Balby Marinho |
dc.contributor.referee4.fl_str_mv |
Nivio Ziviani |
dc.contributor.author.fl_str_mv |
Alberto de Sá Cavalcanti de Albuquerque |
contributor_str_mv |
Renato Antonio Celso Ferreira Adriano Alonso Veloso Adriano Alonso Veloso Edleno Silva de Moura Leandro Balby Marinho Nivio Ziviani |
dc.subject.por.fl_str_mv |
Aprendizado de Ordenação de Documentos Recuperação de Informação Aprendizado de Máquina Representações |
topic |
Aprendizado de Ordenação de Documentos Recuperação de Informação Aprendizado de Máquina Representações Recuperação da informação Aprendizado de representações Aprendizado de ranqueamento Computação Aprendizado de máquina |
dc.subject.other.pt_BR.fl_str_mv |
Recuperação da informação Aprendizado de representações Aprendizado de ranqueamento Computação Aprendizado de máquina |
description |
Neste 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. |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017-06-23 |
dc.date.accessioned.fl_str_mv |
2019-08-10T10:29:05Z |
dc.date.available.fl_str_mv |
2019-08-10T10:29:05Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/JCES-ARRMAB |
url |
http://hdl.handle.net/1843/JCES-ARRMAB |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/JCES-ARRMAB/1/albertosacavalcanti.pdf https://repositorio.ufmg.br/bitstream/1843/JCES-ARRMAB/2/albertosacavalcanti.pdf.txt |
bitstream.checksum.fl_str_mv |
92cccc5eece821a6c2050577f40692d8 0448f918f33755b11726bb2c8cf56ca1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589345617117184 |