[发明专利]基于多目标粒子群优化的鲁棒性排序学习方法及其应用

权利要求书

1.一种基于多目标粒子群优化的鲁棒性排序学习方法的应用，其特征在于，所述鲁棒性排序学习方法包括以下步骤：

步骤一，基于偏差-方差均衡理论，设计排序模型的有效性偏差函数和鲁棒性方差函数，构建排序学习的两个优化性能指标；

步骤二，在排序学习数据集上，基于多目标粒子群优化算法框架，迭代优化排序模型的有效性偏差函数和鲁棒性方差函数这两个目标以训练排序模型，从而产生排序模型归档解集；

步骤三，基于多属性决策理论中的偏好顺序结构评估法PROMETHEE II的思想，从上一步骤所产生的排序模型归档解集中选择一个具有最大“净流”排序值的Pareto最优的排序模型以此作为训练出的最终排序模型；

所述应用将基于多目标粒子群优化的鲁棒性排序学习方法应用于搜索引擎中，其中的搜索引擎包括百度Baidu、谷歌Google、必应Bing、搜狗Sogou和雅虎Yahoo，将该方法所训练出的排序模型嵌入搜索引擎的排序系统中，以此排序模型去预测用户需要搜索的查询词的网页排序结果，从而可提高整体用户的满意度，增强用户的体验感，具体应用过程如下：

步骤1.将基于多目标粒子群优化的鲁棒性排序学习方法融入搜索引擎中；

首先，对搜索引擎网页索引数据库中的部分网页进行数据预处理，对网页进行排序特征的提取和标注以构建搜索引擎排序学习数据集；

其次，在所构建的排序学习数据集上，运用基于多目标粒子群优化的鲁棒性排序学习方法去迭代训练排序模型以产生鲁棒性感知的排序模型；

最后，将所产生的鲁棒性感知的排序模型嵌入搜索引擎的排序系统中；

步骤2.执行网页搜索，呈现排序结果；

在融入了基于多目标粒子群优化的鲁棒性排序学习方法的搜索引擎中，用户可循环多次执行网页搜索；

首先，用户在搜索引擎的搜索框中，输入想要搜索的查询词，并点击搜索；

其次，搜索引擎的排序系统调用搜索引擎网页索引数据库，从中找出所有包含了该查询词的网页，并计算出哪些网页应该排在前面，哪些网页应该排在后面以预测出网页搜索的排序结果；

最后，将网页搜索排序结果按照设定的方式返回到“搜索”页面以呈现给搜索用户；

所述的设计排序模型的有效性偏差函数和鲁棒性方差函数，构建排序学习的两个优化性能指标具体为：

查询和查询集在排序模型下的有效性偏差函数和鲁棒性方差函数分别定义如下：

定义1.查询q_i的有效性偏差函数Bias^R(q_i)定义为：

其中，表示查询q_i下的所有文档D_i在理想排序模型I，即所有文档全部正确排序下所获得的最佳有效性，表示查询q_i下的所有文档D_i在排序模型R下所获得的实际有效性，Bias^R(q_i)表示查询q_i在排序模型R下的实际有效性相对于理想排序模型I的最佳有效性的偏差；

定义2.查询集Q的有效性偏差函数Bias^R(Q)定义为：

其中，Bias^R(Q)表示在排序模型R下查询集Q中所有查询q_i的有效性偏差的平均值，|Q|表示查询集Q中查询q_i的总个数；

定义3.查询q_i的鲁棒性方差函数Variance^R(q_i)定义为：

Variance^R(q_i)＝[Bias^R(q_i)-Bias^R(Q)]²…(3)

其中，Variance^R(q_i)表示在排序模型R下查询q_i的有效性偏差Bias^R(q_i)离查询集Q的有效性偏差Bias^R(Q)的离散程度；

定义4.查询集Q的鲁棒性方差函数Variance^R(Q)定义为：

其中，Variance^R(Q)表示在排序模型R下查询集Q中所有查询q_i的鲁棒性方差的平均值；

将鲁棒性排序学习问题转化为一个同时考虑有效性和鲁棒性的多目标优化问题，依据上述有效性偏差函数和鲁棒性方差函数的定义，则鲁棒性排序学习问题可形式化描述为：

Utility(Q)＝{min Bias^R(Q),min Variance^R(Q)}…(5)

即在排序学习的过程中，同时最小化有效性偏差函数Bias^R(Q)和鲁棒性方差函数Variance^R(Q)以训练排序模型，为此，基于上述所构建的排序模型的优化性能指标Bias^R(Q)和Variance^R(Q)，可采用多目标智能优化算法，如多目标粒子群优化算法，同时最小化Bias^R(Q)和Variance^R(Q)的值以达到均衡优化排序模型的有效性和鲁棒性的目的。