چكيده
سیستم¬های بازیابی اطلاعات و موتورهای جستجو از توابع رتبه¬بندی به منظور مرتب کردن اسناد بازیابی شده بر اساس میزان مرتبط بودن آنها با پرس¬وجوی کاربر و ارائه¬ی آنها به کاربر استفاده می¬کنند. در نتیجه این توابع نقش بسیار مهمی در کارایی سیستم¬های بازیابی اطلاعات و موتورهای جستجو دارند. مطالعات تجربی مختلفی که به منظور ارزیابی کارایی توابع رتبه¬بندی موجود انجام گرفته¬اند، نشان می¬دهند که این توابع در زمینه-های مختلف (پرس¬وجوها، کلکسیون¬ها و کاربران) عملکرد خوبی ندارند. از طرف دیگر طراحی یک تابع رتبه¬بندی بهینه به منظور جستجوی شخصی بر اساس اولویت¬ها و سلیقه¬ی کاربران یا جستجوی همگانی که بتواند در زمینه¬های مختلف به خوبی عمل کند، کاری بسیار پر هزینه و زمان¬بر است. هدف این مقاله ارائه¬ی یک چارچوب به منظور یادگیری توابع رتبه¬بندی بر اساس برنامه¬نویسی ژنتیک است. آزمایش¬های انجام شده نشان می¬دهند چارچوب پیشنهادی می¬تواند توابع بهتری را نسبت به بهترین توابع موجود هم در زمینه¬ی جستجوی شخصی و هم در زمینه¬ی جستجوی همگانی توسعه دهد. به بیان دقیق¬تر، این آزمایش¬ها نشان می¬دهند دقت توابع توسعه یافته توسط چارچوب پیشنهادی به طور میانگین در حدود 4 درصد از بهترین توابع موجود در بازیابی اطلاعات بیشتر هستند.
كلمات كليدي: بازیابی اطلاعات، موتورهای جستجو، توابع رتبه¬بندی، جستجوی شخصی و همگانی،  برنامه¬نویسی ژنتیک.

اضافه کردن نظر