observe_db

원본 chap. 13~15 X는 doc.들의 공간C는 class의 집합D는 라벨된 doc.들의 학습 set 분류기 γ : X->Cex. 감성 분석 방식1) 수작업2) 규칙 기반3) 통계/확률적 Naive Bayes c_map = argmax P(c|d)이를 베이즈 정리를 이용하여 풀면c_map = argmax P(d|c)*P(c) 또한 이 수식을 따른다.n_d는 document의 길이(=token의 수)t_k는 문서속의 토큰. Maximum a posteriori(MAP) class  그리고 값들이 확률값이므로 [0,1]의 범위를 가진다.=>곱하면 수가 계속 작아져 underflow 발생 가능=>log 사용. 여기서 Nc는 class c 내의 doc의 수. N은 전체 doc 수Tct는 class c의 학..

11/19원본 19, 21장 Ads(Advertise)Goto(1996)클릭하면 그 댓가 지불.돈을 많이 낸 페이지를 위로.문제는 성능(관련성) Two ranked lists왼쪽엔 검색결과, 오른쪽엔 광고. 광고도 rank하면?-클릭 수가 많은 순서로?-아니면 돈을 많이 낸 순서로? 처음은 bid price 순서로.->관련성 문제.(관련 없는게 왜 뜸?)대안: bid price와 관련성 2개로.(CTR: clickthrough rate = clicks per impressions) ad rank는 bid*CTR이 큰 순서대로paid는 (다음 순번의 ad rank)/CTR 이고, 맨 아래는 1센트(변동 가능) win-win-win검색엔진은 돌릴 돈을 어느정도 받고사용자는 필요한 검색을 하고, 어느정도 관련..

2. MotivationRecall 개선하기: 동의어, 유의어들 추출.ex. aircraft라는 query에 대해서 plane의 결과물도 넣는다면? 두가지 방법1. Local- relevance feedback2. thesaurus- query expansion 3. Relevance feedback: Basics사용자 피드백을 이용해서 다시 검색처음 검색->사용자가 관련 있는 것들을 선택->그 feedback 기반으로 다시 검색. 4. Relevance feedback: DetailsCentroid: 질량의 중심점(point)def. D는 document 집합, v(d)는 벡터 Rocchoi algorithmq_opt를 최대화하는 것.Dr: 관련있는 docsDnr: 관련 없는 docs이렇게 다시 쓸 수..

2. Introduction검색 엔진의 평가지표- 얼마나 인덱스가 빠른지- 얼마나 빠르게 찾는지- 쿼리당 비용이 얼마인지이러한 속도/크기/비용을 수치화 + 사용자 만족도(user happiness)도 주요함. Factor들은 이러한 것들을 포함한다.응답 속도인덱스 크기uncluttered UI'relevance'(관련 있는지)무료인가? 사용자(USER)에 대한 정의searcher(검색자): 빨리 결과가 나오면 좋아함advertiser(광고자): 많이 클릭하면 좋아함buyer(구매자): 많이 구매하면 좋아함seller(판매자): 많이 판매하면 좋아함CEO: 회사의 이익/일이 효율적이면 좋아함 사용자 만족도 == 쿼리의 결과가 얼마나 연관있는지.(relevance)그렇다면 어떻게 relevance를 측정하는..