-
Maylein, L.; Langenstein, A.: Neues vom Relevanz-Ranking im HEIDI-Katalog der Universitätsbibliothek Heidelberg : Perspektiven für bibliothekarische Dienstleistungen (2013)
0.00
0.0045452667 = product of:
0.036362134 = sum of:
0.026547797 = weight(_text_:der in 775) [ClassicSimilarity], result of:
0.026547797 = score(doc=775,freq=10.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.44148692 = fieldWeight in 775, product of:
3.1622777 = tf(freq=10.0), with freq of:
10.0 = termFreq=10.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.0625 = fieldNorm(doc=775)
0.009814339 = product of:
0.029443016 = sum of:
0.029443016 = weight(_text_:29 in 775) [ClassicSimilarity], result of:
0.029443016 = score(doc=775,freq=2.0), product of:
0.09469566 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.026919862 = queryNorm
0.31092256 = fieldWeight in 775, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0625 = fieldNorm(doc=775)
0.33333334 = coord(1/3)
0.125 = coord(2/16)
- Abstract
- Das Relevanz-Ranking im Katalog der Universitätsbibliothek Heidelberg HEIDI, bereits 2009 in einem Beitrag in dieser Zeitschrift beschrieben, wurde in den letzten Jahren durch neue Entwicklungen und Methoden stark verbessert. Der Aufsatz beschreibt die Realisierung der bisherigen Rankingmaßnahmen unter der neu eingesetzten Suchmaschinenplattform SOLR. Weiter werden verschiedene neue Möglichkeiten für Rankinganpassungen unter SOLR sowie deren Einsatz im HEIDI-Katalog dargestellt.
- Date
- 29. 6.2013 18:06:23
-
Mayr, P.: Bradfordizing als Re-Ranking-Ansatz in Literaturinformationssystemen (2011)
0.00
0.0036464995 = product of:
0.029171996 = sum of:
0.021811241 = weight(_text_:der in 4292) [ClassicSimilarity], result of:
0.021811241 = score(doc=4292,freq=12.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.36271852 = fieldWeight in 4292, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.046875 = fieldNorm(doc=4292)
0.007360754 = product of:
0.022082262 = sum of:
0.022082262 = weight(_text_:29 in 4292) [ClassicSimilarity], result of:
0.022082262 = score(doc=4292,freq=2.0), product of:
0.09469566 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.026919862 = queryNorm
0.23319192 = fieldWeight in 4292, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.046875 = fieldNorm(doc=4292)
0.33333334 = coord(1/3)
0.125 = coord(2/16)
- Abstract
- In diesem Artikel wird ein Re-Ranking-Ansatz für Suchsysteme vorgestellt, der die Recherche nach wissenschaftlicher Literatur messbar verbessern kann. Das nichttextorientierte Rankingverfahren Bradfordizing wird eingeführt und anschließend im empirischen Teil des Artikels bzgl. der Effektivität für typische fachbezogene Recherche-Topics evaluiert. Dem Bradford Law of Scattering (BLS), auf dem Bradfordizing basiert, liegt zugrunde, dass sich die Literatur zu einem beliebigen Fachgebiet bzw. -thema in Zonen unterschiedlicher Dokumentenkonzentration verteilt. Dem Kernbereich mit hoher Konzentration der Literatur folgen Bereiche mit mittlerer und geringer Konzentration. Bradfordizing sortiert bzw. rankt eine Dokumentmenge damit nach den sogenannten Kernzeitschriften. Der Retrievaltest mit 164 intellektuell bewerteten Fragestellungen in Fachdatenbanken aus den Bereichen Sozial- und Politikwissenschaften, Wirtschaftswissenschaften, Psychologie und Medizin zeigt, dass die Dokumente der Kernzeitschriften signifikant häufiger relevant bewertet werden als Dokumente der zweiten Dokumentzone bzw. den Peripherie-Zeitschriften. Die Implementierung von Bradfordizing und weiteren Re-Rankingverfahren liefert unmittelbare Mehrwerte für den Nutzer.
- Date
- 9. 2.2011 17:47:29
-
Tober, M.; Hennig, L.; Furch, D.: SEO Ranking-Faktoren und Rang-Korrelationen 2014 : Google Deutschland (2014)
0.00
0.0033145444 = product of:
0.026516356 = sum of:
0.016790302 = weight(_text_:der in 1484) [ClassicSimilarity], result of:
0.016790302 = score(doc=1484,freq=4.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.27922085 = fieldWeight in 1484, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.0625 = fieldNorm(doc=1484)
0.009726053 = product of:
0.029178157 = sum of:
0.029178157 = weight(_text_:22 in 1484) [ClassicSimilarity], result of:
0.029178157 = score(doc=1484,freq=2.0), product of:
0.09426877 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.026919862 = queryNorm
0.30952093 = fieldWeight in 1484, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1484)
0.33333334 = coord(1/3)
0.125 = coord(2/16)
- Abstract
- Dieses Whitepaper beschäftigt sich mit der Definition und Bewertung von Faktoren, die eine hohe Rangkorrelation-Koeffizienz mit organischen Suchergebnissen aufweisen und dient dem Zweck der tieferen Analyse von Suchmaschinen-Algorithmen. Die Datenerhebung samt Auswertung bezieht sich auf Ranking-Faktoren für Google-Deutschland im Jahr 2014. Zusätzlich wurden die Korrelationen und Faktoren unter anderem anhand von Durchschnitts- und Medianwerten sowie Entwicklungstendenzen zu den Vorjahren hinsichtlich ihrer Relevanz für vordere Suchergebnis-Positionen interpretiert.
- Date
- 13. 9.2014 14:45:22
-
Bhansali, D.; Desai, H.; Deulkar, K.: ¬A study of different ranking approaches for semantic search (2015)
0.00
0.002409794 = product of:
0.019278351 = sum of:
0.006316973 = product of:
0.018950919 = sum of:
0.018950919 = weight(_text_:k in 2696) [ClassicSimilarity], result of:
0.018950919 = score(doc=2696,freq=2.0), product of:
0.09609793 = queryWeight, product of:
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.026919862 = queryNorm
0.19720423 = fieldWeight in 2696, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.0390625 = fieldNorm(doc=2696)
0.33333334 = coord(1/3)
0.012961377 = weight(_text_:internet in 2696) [ClassicSimilarity], result of:
0.012961377 = score(doc=2696,freq=2.0), product of:
0.07947389 = queryWeight, product of:
2.9522398 = idf(docFreq=6276, maxDocs=44218)
0.026919862 = queryNorm
0.16308975 = fieldWeight in 2696, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.9522398 = idf(docFreq=6276, maxDocs=44218)
0.0390625 = fieldNorm(doc=2696)
0.125 = coord(2/16)
- Abstract
- Search Engines have become an integral part of our day to day life. Our reliance on search engines increases with every passing day. With the amount of data available on Internet increasing exponentially, it becomes important to develop new methods and tools that help to return results relevant to the queries and reduce the time spent on searching. The results should be diverse but at the same time should return results focused on the queries asked. Relation Based Page Rank [4] algorithms are considered to be the next frontier in improvement of Semantic Web Search. The probability of finding relevance in the search results as posited by the user while entering the query is used to measure the relevance. However, its application is limited by the complexity of determining relation between the terms and assigning explicit meaning to each term. Trust Rank is one of the most widely used ranking algorithms for semantic web search. Few other ranking algorithms like HITS algorithm, PageRank algorithm are also used for Semantic Web Searching. In this paper, we will provide a comparison of few ranking approaches.
-
Walz, J.: Analyse der Übertragbarkeit allgemeiner Rankingfaktoren von Web-Suchmaschinen auf Discovery-Systeme (2018)
0.00
0.0015740908 = product of:
0.025185453 = sum of:
0.025185453 = weight(_text_:der in 5744) [ClassicSimilarity], result of:
0.025185453 = score(doc=5744,freq=16.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.4188313 = fieldWeight in 5744, product of:
4.0 = tf(freq=16.0), with freq of:
16.0 = termFreq=16.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.046875 = fieldNorm(doc=5744)
0.0625 = coord(1/16)
- Abstract
- Ziel: Ziel dieser Bachelorarbeit war es, die Übertragbarkeit der allgemeinen Rankingfaktoren, wie sie von Web-Suchmaschinen verwendet werden, auf Discovery-Systeme zu analysieren. Dadurch könnte das bisher hauptsächlich auf dem textuellen Abgleich zwischen Suchanfrage und Dokumenten basierende bibliothekarische Ranking verbessert werden. Methode: Hierfür wurden Faktoren aus den Gruppen Popularität, Aktualität, Lokalität, Technische Faktoren, sowie dem personalisierten Ranking diskutiert. Die entsprechenden Rankingfaktoren wurden nach ihrer Vorkommenshäufigkeit in der analysierten Literatur und der daraus abgeleiteten Wichtigkeit, ausgewählt. Ergebnis: Von den 23 untersuchten Rankingfaktoren sind 14 (61 %) direkt vom Ranking der Web-Suchmaschinen auf das Ranking der Discovery-Systeme übertragbar. Zu diesen zählen unter anderem das Klickverhalten, das Erstellungsdatum, der Nutzerstandort, sowie die Sprache. Sechs (26%) der untersuchten Faktoren sind dagegen nicht übertragbar (z.B. Aktualisierungsfrequenz und Ladegeschwindigkeit). Die Linktopologie, die Nutzungshäufigkeit, sowie die Aktualisierungsfrequenz sind mit entsprechenden Modifikationen übertragbar.
-
Mayr, P.: Bradfordizing mit Katalogdaten : Alternative Sicht auf Suchergebnisse und Publikationsquellen durch Re-Ranking (2010)
0.00
0.0013632026 = product of:
0.021811241 = sum of:
0.021811241 = weight(_text_:der in 4301) [ClassicSimilarity], result of:
0.021811241 = score(doc=4301,freq=12.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.36271852 = fieldWeight in 4301, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.046875 = fieldNorm(doc=4301)
0.0625 = coord(1/16)
- Abstract
- Nutzer erwarten für Literaturrecherchen in wissenschaftlichen Suchsystemen einen möglichst hohen Anteil an relevanten und qualitativen Dokumenten in den Trefferergebnissen. Insbesondere die Reihenfolge und Struktur der gelisteten Ergebnisse (Ranking) spielt, neben dem direkten Volltextzugriff auf die Dokumente, für viele Nutzer inzwischen eine entscheidende Rolle. Abgegrenzt wird Ranking oder Relevance Ranking von sogenannten Sortierungen zum Beispiel nach dem Erscheinungsjahr der Publikation, obwohl hier die Grenze zu »nach inhaltlicher Relevanz« gerankten Listen konzeptuell nicht sauber zu ziehen ist. Das Ranking von Dokumenten führt letztlich dazu, dass sich die Benutzer fokussiert mit den oberen Treffermengen eines Suchergebnisses beschäftigen. Der mittlere und untere Bereich eines Suchergebnisses wird häufig nicht mehr in Betracht gezogen. Aufgrund der Vielzahl an relevanten und verfügbaren Informationsquellen ist es daher notwendig, Kernbereiche in den Suchräumen zu identifizieren und diese anschließend dem Nutzer hervorgehoben zu präsentieren. Phillipp Mayr fasst hier die Ergebnisse seiner Dissertation zum Thema »Re-Ranking auf Basis von Bradfordizing für die verteilte Suche in Digitalen Bibliotheken« zusammen.
- Series
- Lesesaal: Der Katalog der Zukunft
-
Oberhauser, O.: Relevance Ranking in den Online-Katalogen der "nächsten Generation" (2010)
0.00
0.0011130503 = product of:
0.017808804 = sum of:
0.017808804 = weight(_text_:der in 4308) [ClassicSimilarity], result of:
0.017808804 = score(doc=4308,freq=8.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.29615843 = fieldWeight in 4308, product of:
2.828427 = tf(freq=8.0), with freq of:
8.0 = termFreq=8.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.046875 = fieldNorm(doc=4308)
0.0625 = coord(1/16)
- Abstract
- Relevance Ranking in Online-Katalogen ist zwar kein neues Thema, doch liegt dazu nicht allzu viel Literatur vor, die das Prädikat "ernstzunehmen" verdient. Dies ist zum einen darin begründet, dass das Interesse an der Ausgabe ranggereihter Ergebnislisten auf Seiten aller Beteiligter (Bibliothekare, Softwarehersteller, Benutzer) traditionell gering war. Zum anderen ging die seit einigen Jahren populär gewordene Kritik an den bestehenden OPACs vielfach von einer unzureichenden Wissensbasis aus und produzierte oft nur polemische oder emotional gefärbte Beiträge, die zum Thema Ranking wenig beitrugen. ... Der hier beschriebene Test ist natürlich in keiner Weise erschöpfend oder repräsentativ. Dennoch gibt er, wie ich glaube, Anlass zu einiger Hoffnung. Er lässt vermuten, dass die "neuen" OPACs - zumindest was das Relevance Ranking betrifft - auf dem Weg in die richtige Richtung sind. Wie gut es wirklich gelingen wird, die Rankingleistung von Suchmaschinen wie Google, die unter völlig anderen Voraussetzungen arbeiten, einzuholen, wird aber erst die Zukunft zeigen.
- Source
- Mitteilungen der Vereinigung Österreichischer Bibliothekarinnen und Bibliothekare. 63(2010) H.1/2, S.25-37
-
Behnert, C.; Borst, T.: Neue Formen der Relevanz-Sortierung in bibliothekarischen Informationssystemen : das DFG-Projekt LibRank (2015)
0.00
0.0010493939 = product of:
0.016790302 = sum of:
0.016790302 = weight(_text_:der in 5392) [ClassicSimilarity], result of:
0.016790302 = score(doc=5392,freq=4.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.27922085 = fieldWeight in 5392, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.0625 = fieldNorm(doc=5392)
0.0625 = coord(1/16)
- Abstract
- Das von der DFG geförderte Projekt LibRank erforscht neue Rankingverfahren für bibliothekarische Informationssysteme, die aufbauend auf Erkenntnissen aus dem Bereich Websuche qualitätsinduzierende Faktoren wie z. B. Aktualität, Popularität und Verfügbarkeit von einzelnen Medien berücksichtigen. Die konzipierten Verfahren werden im Kontext eines in den Wirtschaftswissenschaften häufig genutzten Rechercheportals (EconBiz) entwickelt und in einem Testsystem systematisch evaluiert. Es werden Rankingfaktoren, die für den Bibliotheksbereich von besonderem Interesse sind, vorgestellt und exemplarisch Probleme und Herausforderungen aufgezeigt.
-
Fuhr, N.: Modelle im Information Retrieval (2013)
0.00
9.2754187E-4 = product of:
0.01484067 = sum of:
0.01484067 = weight(_text_:der in 724) [ClassicSimilarity], result of:
0.01484067 = score(doc=724,freq=2.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.2467987 = fieldWeight in 724, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.078125 = fieldNorm(doc=724)
0.0625 = coord(1/16)
- Source
- Grundlagen der praktischen Information und Dokumentation. Handbuch zur Einführung in die Informationswissenschaft und -praxis. 6., völlig neu gefaßte Ausgabe. Hrsg. von R. Kuhlen, W. Semar u. D. Strauch. Begründet von Klaus Laisiepen, Ernst Lutterbeck, Karl-Heinrich Meyer-Uhlenried
-
Lee, J.; Min, J.-K.; Oh, A.; Chung, C.-W.: Effective ranking and search techniques for Web resources considering semantic relationships (2014)
0.00
6.838324E-4 = product of:
0.010941318 = sum of:
0.010941318 = product of:
0.032823954 = sum of:
0.032823954 = weight(_text_:k in 2670) [ClassicSimilarity], result of:
0.032823954 = score(doc=2670,freq=6.0), product of:
0.09609793 = queryWeight, product of:
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.026919862 = queryNorm
0.34156775 = fieldWeight in 2670, product of:
2.4494898 = tf(freq=6.0), with freq of:
6.0 = termFreq=6.0
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.0390625 = fieldNorm(doc=2670)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Abstract
- On the Semantic Web, the types of resources and the semantic relationships between resources are defined in an ontology. By using that information, the accuracy of information retrieval can be improved. In this paper, we present effective ranking and search techniques considering the semantic relationships in an ontology. Our technique retrieves top-k resources which are the most relevant to query keywords through the semantic relationships. To do this, we propose a weighting measure for the semantic relationship. Based on this measure, we propose a novel ranking method which considers the number of meaningful semantic relationships between a resource and keywords as well as the coverage and discriminating power of keywords. In order to improve the efficiency of the search, we prune the unnecessary search space using the length and weight thresholds of the semantic relationship path. In addition, we exploit Threshold Algorithm based on an extended inverted index to answer top-k results efficiently. The experimental results using real data sets demonstrate that our retrieval method using the semantic information generates accurate results efficiently compared to the traditional methods.
-
Efron, M.; Winget, M.: Query polyrepresentation for ranking retrieval systems without relevance judgments (2010)
0.00
6.7001616E-4 = product of:
0.010720259 = sum of:
0.010720259 = product of:
0.032160774 = sum of:
0.032160774 = weight(_text_:k in 3469) [ClassicSimilarity], result of:
0.032160774 = score(doc=3469,freq=4.0), product of:
0.09609793 = queryWeight, product of:
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.026919862 = queryNorm
0.33466667 = fieldWeight in 3469, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.046875 = fieldNorm(doc=3469)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Abstract
- Ranking information retrieval (IR) systems with respect to their effectiveness is a crucial operation during IR evaluation, as well as during data fusion. This article offers a novel method of approaching the system-ranking problem, based on the widely studied idea of polyrepresentation. The principle of polyrepresentation suggests that a single information need can be represented by many query articulations-what we call query aspects. By skimming the top k (where k is small) documents retrieved by a single system for multiple query aspects, we collect a set of documents that are likely to be relevant to a given test topic. Labeling these skimmed documents as putatively relevant lets us build pseudorelevance judgments without undue human intervention. We report experiments where using these pseudorelevance judgments delivers a rank ordering of IR systems that correlates highly with rankings based on human relevance judgments.
-
Hora, M.: Methoden für das Ranking in Discovery-Systemen (2018)
0.00
6.4927933E-4 = product of:
0.010388469 = sum of:
0.010388469 = weight(_text_:der in 4968) [ClassicSimilarity], result of:
0.010388469 = score(doc=4968,freq=2.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.17275909 = fieldWeight in 4968, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.0546875 = fieldNorm(doc=4968)
0.0625 = coord(1/16)
- Abstract
- Discovery-Systeme bieten meist als Standardeinstellung eine Sortierung nach Relevanz an. Wie die Relevanz ermittelt wird, ist häufig intransparent. Dabei wären Kenntnisse darüber aus Nutzersicht ein wichtiger Faktor in der Informationskompetenz, während Bibliotheken sicherstellen sollten, dass das Ranking zum eigenen Bestand und Publikum passt. In diesem Aufsatz wird dargestellt, wie Discovery-Systeme Treffer auswählen und bewerten. Dazu gehören Indexierung, Prozessierung, Text-Matching und weitere Relevanzkriterien, z. B. Popularität oder Verfügbarkeit. Schließlich müssen alle betrachteten Kriterien zu einem zentralen Score zusammengefasst werden. Ein besonderer Fokus wird auf das Ranking von EBSCO Discovery Service, Primo und Summon gelegt.
-
Bornmann, L.; Mutz, R.: From P100 to P100' : a new citation-rank approach (2014)
0.00
6.078783E-4 = product of:
0.009726053 = sum of:
0.009726053 = product of:
0.029178157 = sum of:
0.029178157 = weight(_text_:22 in 1431) [ClassicSimilarity], result of:
0.029178157 = score(doc=1431,freq=2.0), product of:
0.09426877 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.026919862 = queryNorm
0.30952093 = fieldWeight in 1431, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1431)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Date
- 22. 8.2014 17:05:18
-
Van der Veer Martens, B.; Fleet, C. van: Opening the black box of "relevance work" : a domain analysis (2012)
0.00
5.5652513E-4 = product of:
0.008904402 = sum of:
0.008904402 = weight(_text_:der in 247) [ClassicSimilarity], result of:
0.008904402 = score(doc=247,freq=2.0), product of:
0.060132693 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.026919862 = queryNorm
0.14807922 = fieldWeight in 247, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.046875 = fieldNorm(doc=247)
0.0625 = coord(1/16)
-
Behnert, C.; Plassmeier, K.; Borst, T.; Lewandowski, D.: Evaluierung von Rankingverfahren für bibliothekarische Informationssysteme (2019)
0.00
5.527352E-4 = product of:
0.008843763 = sum of:
0.008843763 = product of:
0.026531288 = sum of:
0.026531288 = weight(_text_:k in 5023) [ClassicSimilarity], result of:
0.026531288 = score(doc=5023,freq=2.0), product of:
0.09609793 = queryWeight, product of:
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.026919862 = queryNorm
0.27608594 = fieldWeight in 5023, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.0546875 = fieldNorm(doc=5023)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
-
Ravana, S.D.; Rajagopal, P.; Balakrishnan, V.: Ranking retrieval systems using pseudo relevance judgments (2015)
0.00
5.3729356E-4 = product of:
0.008596697 = sum of:
0.008596697 = product of:
0.02579009 = sum of:
0.02579009 = weight(_text_:22 in 2591) [ClassicSimilarity], result of:
0.02579009 = score(doc=2591,freq=4.0), product of:
0.09426877 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.026919862 = queryNorm
0.27358043 = fieldWeight in 2591, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=2591)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Date
- 20. 1.2015 18:30:22
18. 9.2018 18:22:56
-
Tsai, C.-F.; Hu, Y.-H.; Chen, Z.-Y.: Factors affecting rocchio-based pseudorelevance feedback in image retrieval (2015)
0.00
3.948108E-4 = product of:
0.006316973 = sum of:
0.006316973 = product of:
0.018950919 = sum of:
0.018950919 = weight(_text_:k in 1607) [ClassicSimilarity], result of:
0.018950919 = score(doc=1607,freq=2.0), product of:
0.09609793 = queryWeight, product of:
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.026919862 = queryNorm
0.19720423 = fieldWeight in 1607, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.0390625 = fieldNorm(doc=1607)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Abstract
- Pseudorelevance feedback (PRF) was proposed to solve the limitation of relevance feedback (RF), which is based on the user-in-the-loop process. In PRF, the top-k retrieved images are regarded as PRF. Although the PRF set contains noise, PRF has proven effective for automatically improving the overall retrieval result. To implement PRF, the Rocchio algorithm has been considered as a reasonable and well-established baseline. However, the performance of Rocchio-based PRF is subject to various representation choices (or factors). In this article, we examine these factors that affect the performance of Rocchio-based PRF, including image-feature representation, the number of top-ranked images, the weighting parameters of Rocchio, and similarity measure. We offer practical insights on how to optimize the performance of Rocchio-based PRF by choosing appropriate representation choices. Our extensive experiments on NUS-WIDE-LITE and Caltech 101 + Corel 5000 data sets show that the optimal feature representation is color moment + wavelet texture in terms of retrieval efficiency and effectiveness. Other representation choices are that using top-20 ranked images as pseudopositive and pseudonegative feedback sets with the equal weight (i.e., 0.5) by the correlation and cosine distance functions can produce the optimal retrieval result.
-
Hubert, G.; Pitarch, Y.; Pinel-Sauvagnat, K.; Tournier, R.; Laporte, L.: TournaRank : when retrieval becomes document competition (2018)
0.00
3.948108E-4 = product of:
0.006316973 = sum of:
0.006316973 = product of:
0.018950919 = sum of:
0.018950919 = weight(_text_:k in 5087) [ClassicSimilarity], result of:
0.018950919 = score(doc=5087,freq=2.0), product of:
0.09609793 = queryWeight, product of:
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.026919862 = queryNorm
0.19720423 = fieldWeight in 5087, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.569778 = idf(docFreq=3384, maxDocs=44218)
0.0390625 = fieldNorm(doc=5087)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
-
Costa Carvalho, A. da; Rossi, C.; Moura, E.S. de; Silva, A.S. da; Fernandes, D.: LePrEF: Learn to precompute evidence fusion for efficient query evaluation (2012)
0.00
3.8337262E-4 = product of:
0.006133962 = sum of:
0.006133962 = product of:
0.018401885 = sum of:
0.018401885 = weight(_text_:29 in 278) [ClassicSimilarity], result of:
0.018401885 = score(doc=278,freq=2.0), product of:
0.09469566 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.026919862 = queryNorm
0.19432661 = fieldWeight in 278, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0390625 = fieldNorm(doc=278)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Date
- 24. 6.2012 14:29:10
-
Silva, R.M.; Gonçalves, M.A.; Veloso, A.: ¬A Two-stage active learning method for learning to rank (2014)
0.00
3.8337262E-4 = product of:
0.006133962 = sum of:
0.006133962 = product of:
0.018401885 = sum of:
0.018401885 = weight(_text_:29 in 1184) [ClassicSimilarity], result of:
0.018401885 = score(doc=1184,freq=2.0), product of:
0.09469566 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.026919862 = queryNorm
0.19432661 = fieldWeight in 1184, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0390625 = fieldNorm(doc=1184)
0.33333334 = coord(1/3)
0.0625 = coord(1/16)
- Date
- 26. 1.2014 20:29:57
