DSpace DSpace UPC
 Català   Castellano   English  

E-prints UPC >
Altres >
Enviament des de DRAC >

Empreu aquest identificador per citar o enllaçar aquest ítem: http://hdl.handle.net/2117/15649

Ítem no disponible en accés obert per política de l'editorial

Arxiu Descripció MidaFormat
quattoni_247.pdfarticle ECIR-2012 de Quattoni, Carreras i Torralba2,04 MBAdobe PDF Accés restringit

Citació: Quattoni, A.J.; Carreras, X.; Torralba, A. A latent variable ranking model for content-based retrieval. A: European Conference on Information Retrieval. "Advances in Information Retrieval - 34rd European Conference on IR Research, ECIR 2012". Barcelona: Springer, 2012, p. 1-12.
Títol: A latent variable ranking model for content-based retrieval
Autor: Quattoni, Ariadna Julieta Veure Producció científica UPC; Carreras Pérez, Xavier Veure Producció científica UPC; Torralba, Antonio
Editorial: Springer
Data: 2012
Tipus de document: Conference report
Resum: Since their introduction, ranking SVM models have become a powerful tool for training content-based retrieval systems. All we need for training a model are retrieval examples in the form of triplet constraints, i.e. examples specifying that relative to some query, a database item a should be ranked higher than database item b. These types of constraints could be obtained from feedback of users of the retrieval system. Most previous ranking models learn either a global combination of elementary similarity functions or a combination defined with respect to a single database item. Instead, we propose a “coarse to fine” ranking model where given a query we first compute a distribution over “coarse” classes and then use the linear combination that has been optimized for queries of that class. These coarse classes are hidden and need to be induced by the training algorithm. We propose a latent variable ranking model that induces both the latent classes and the weights of the linear combination for each class from ranking triplets. Our experiments over two large image datasets and a text retrieval dataset show the advantages of our model over learning a global combination as well as a combination for each test point (i.e. transductive setting). Furthermore, compared to the transductive approach our model has a clear computational advantages since it does not need to be retrained for each test query.
URI: http://hdl.handle.net/2117/15649
Versió de l'editor: http://cataleg.upc.edu/record=b1277409~S1*cat
Apareix a les col·leccions:Altres. Enviament des de DRAC
GPLN - Grup de Processament del Llenguatge Natural. Ponències/Comunicacions de congressos
LARCA - Laboratori d'Algorísmia Relacional, Complexitat i Aprenentatge. Ponències/Comunicacions de congressos
Departament de Ciències de la Computació. Ponències/Comunicacions de congressos
Comparteix:


Stats Mostra les estadístiques d'aquest ítem

SFX Query

Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets.

Per a qualsevol ús que se'n vulgui fer no previst a la llei, dirigiu-vos a: sepi.bupc@upc.edu

 

Valid XHTML 1.0! Programari DSpace Copyright © 2002-2004 MIT and Hewlett-Packard Comentaris
Universitat Politècnica de Catalunya. Servei de Biblioteques, Publicacions i Arxius