Análise da técnica deep forest para o problema de aprendizado de ranqueamento
dc.contributor.advisor-co1 | Sousa, Daniel Xavier de | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4603724338719739 | pt_BR |
dc.contributor.advisor1 | Rosa, Thierson Couto | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4414718560764818 | pt_BR |
dc.contributor.referee1 | Rosa, Thierson Couto | |
dc.contributor.referee2 | Sousa, Daniel Xavier | |
dc.contributor.referee3 | Rocha, Leonardo Chaves Dutra da | |
dc.contributor.referee4 | Canuto, Sérgio Daniel Carvalho | |
dc.creator | Rocha, Lucas Elias Cardoso | |
dc.creator.Lattes | http://lattes.cnpq.br/5203884944632363 | pt_BR |
dc.date.accessioned | 2022-05-25T14:47:03Z | |
dc.date.available | 2022-05-25T14:47:03Z | |
dc.date.issued | 2022-04-20 | |
dc.description.abstract | Learning to Rank (LeToR) is a specialization of the ranking problem within the Information Retrieval (IR) field of study. In LeToR, machine learning algorithms are used to produce an ordered list of objects. The relative position of objects is given according to their degree of relevance or importance, depending on the problem application. A strategy present in state-of-the-art algorithms to handle LeToR is tree-based \textit{ensemble} methods. LambdaMART exemplifies this strategy and shows good results compared to other models, including deep neural networks, placing itself as state-of-the-art in LeToR. A tree-based \textit{ensemble} method not yet studied in LeToR, the Deep Forest, aims to perform deep learning without use deep neural networks. To do so, Deep Forest applies a layer-by-layer processing and an attribute transformation within the model through a \textit{ensemble} of \textit{Random Forest}. Due to the good performance shown by Deep Forest in several tasks and observing the good applicability of tree-based \textit{ensemble} methods in Learning to Rank, it is coherent to study the application of Deep Forest under the LeToR perspective. Having this general objective, the present work experimentally investigates Deep Forest aspects such as hyperparametrization, possible improvements of the original model, the model's behavior by bias and variance and the comparison with deep neural networks, all in the context of LeToR. It is expected that this investigation offers, in addition to the results of the application of Deep Forest in LeToR, an analytical view of the behavior of \textit{ensemble} models in LeToR and a comparative analysis of the results with deep neural networks. | eng |
dc.description.provenance | Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2022-05-23T16:12:37Z No. of bitstreams: 2 Dissertação - Lucas Elias Cardoso Rocha - 2022.pdf: 966872 bytes, checksum: 78395746e40dae257e56b1b6b5cfb5a6 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) | en |
dc.description.provenance | Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2022-05-25T14:47:03Z (GMT) No. of bitstreams: 2 Dissertação - Lucas Elias Cardoso Rocha - 2022.pdf: 966872 bytes, checksum: 78395746e40dae257e56b1b6b5cfb5a6 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) | en |
dc.description.provenance | Made available in DSpace on 2022-05-25T14:47:03Z (GMT). No. of bitstreams: 2 Dissertação - Lucas Elias Cardoso Rocha - 2022.pdf: 966872 bytes, checksum: 78395746e40dae257e56b1b6b5cfb5a6 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Previous issue date: 2022-04-20 | en |
dc.description.resumo | Learning to Rank (LeToR) é uma especialização do problema de ranqueamento dentro do campo de estudo de Recuperação de Informação (RI). Em LeToR, algoritmos de aprendizado de máquina são utilizados para produzir uma lista ordenada de objetos. A posição relativa dos objetos nessa lista se dá de acordo com seus graus de relevância ou importância, conforme a aplicação do problema. Uma estratégia presente nos algoritmos do estado-da-arte para tratar LeToR são os métodos \textit{ensemble} baseados em árvores de decisão. LambdaMART exemplifica essa estratégia e mostram bons resultados comparados com outros modelos, incluindo redes neurais profundas, se colocando como estado-da-arte de LeToR. Um modelo \textit{ensemble} da literatura ainda não estudado em LeToR, o Deep Forest, busca realizar aprendizado profundo sem a utilização de redes neurais profundas. Para tal, o Deep Forest aplica um processamento camada a camada e uma transformação de atributos dentro do modelo através do \textit{ensemble} de \textit{Random Forest}. Pelo bom desempenho mostrado pelo Deep Forest em diversas tarefas e observando a boa aplicabilidade de métodos \textit{ensemble} baseados em árvores em Learning to Rank, se mostra coerente estudar a aplicação do Deep Forest sob a perspectiva de LeToR. Tendo esse objetivo geral, o presente trabalho investiga experimentalmente aspectos do Deep Forest como hiperparametrização, possíveis avanços do modelo original, o comportamento do modelo em viés e variância e a comparação com redes neurais profundas, tudo no contexto de LeToR. Essa investigação oferece, além dos resultados da aplicação do Deep Forest em LeToR, uma visão analítica do comportamento de modelos \textit{ensemble} em LeToR e uma análise comparativa dos resultados com as redes neurais profundas. | pt_BR |
dc.description.sponsorship | Outro | pt_BR |
dc.identifier.citation | ROCHA, L. E. C. Análise da técnica deep forest para o problema de aprendizado de ranqueamento. 2022. 74 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2022. | pt_BR |
dc.identifier.uri | http://repositorio.bc.ufg.br/tede/handle/tede/12087 | |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Goiás | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto de Informática - INF (RG) | pt_BR |
dc.publisher.initials | UFG | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Ciência da Computação (INF) | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Recuperação de Informação | por |
dc.subject | Learning to rank | por |
dc.subject | Métodos ensemble | por |
dc.subject | Deep forest | eng |
dc.subject | Information retrieval | eng |
dc.subject | Learning to rank | eng |
dc.subject | Ensemble | eng |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Análise da técnica deep forest para o problema de aprendizado de ranqueamento | pt_BR |
dc.title.alternative | Analysis of deep forest technique for learning to rank task | eng |
dc.type | Dissertação | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Dissertação - Lucas Elias Cardoso Rocha - 2022.pdf
- Tamanho:
- 944.21 KB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: