Deutsch
 
Benutzerhandbuch Datenschutzhinweis Impressum Kontakt
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT

Freigegeben

Konferenzbeitrag

Learning to Rank under Tight Budget Constraints

MPG-Autoren
/persons/resource/persons45380

Schenkel,  Ralf
Databases and Information Systems, MPI for Informatics, Max Planck Society;

Externe Ressourcen
Es sind keine Externen Ressourcen verfügbar
Volltexte (frei zugänglich)
Es sind keine frei zugänglichen Volltexte verfügbar
Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Pölitz, C., & Schenkel, R. (2011). Learning to Rank under Tight Budget Constraints. In W.-Y. Ma, J.-Y. Nie, R. A. Baeza-Yates, T.-S. Chua, & W. B. Croft (Eds.), 34th ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 1173-1174). New York, NY: ACM.


Zitierlink: http://hdl.handle.net/11858/00-001M-0000-0024-1331-4
Zusammenfassung
This paper considers the problem of processing queries under budget constraints. Unlike existing work, it uses machine learning techniques not just to select features to evaluate, but also to select how many documents from an inverted list to evaluate for each feature. Experimental evaluation with TREC Terabyte queries shows that almost perfect results can be achieved with reading only 20% of all list entries.