All of the probabilistic retrieval

All of the probabilistic retrieval models presented so far fall into the category of
generative models. A generative model for text classification assumes that documents
were generated from some underlying model (in this case, usually a multinomial
distribution) and uses training data to estimate the parameters of the
model. The probability of belonging to a class (i.e., the relevant documents for
a query) is then estimated using Bayes’ Rule and the document model. A discriminative
model, in contrast, estimates the probability of belonging to a class directly
from the observed features of the document based on the training data.22 In general
classification problems, a generative model performs better with low numbers
of training examples, but the discriminative model usually has the advantage
given enough data. Given the amount of potential training data available to web
search engines, discriminative models may be expected to have some advantages
in this application. It is also easier to incorporate new features into a discriminative
model and, as we have mentioned, there can be hundreds of features that are
considered for web ranking.

ผลลัพธ์ (ไทย) 1:

ทุกรุ่นน่าจะเรียกได้นำเสนอจนตกอยู่ในประเภทของส่วนรุ่นนี้ ส่วนรูปแบบสำหรับการจัดประเภทข้อความถือว่าเอกสารสร้างขึ้นจากแบบจำลองต้นแบบบาง (ในกรณีนี้ โดยปกติแล้วก็ตามการแจกจ่าย) และใช้ข้อมูลการฝึกอบรมการประเมินค่าพารามิเตอร์ของการรุ่น ความน่าจะเป็นของคลาส (เช่น เอกสารเกี่ยวข้องสำหรับแบบสอบถาม) อยู่แล้วโดยประมาณใช้ถกเถียงและรูปแบบเอกสาร ที่ discriminativeรุ่น คมชัด ประเมินความน่าจะเป็นของชั้นเรียนโดยตรงจากการสังเกตคุณสมบัติของเอกสารที่ตาม data.22 การฝึกอบรมทั่วไปการจัดประเภทปัญหา แบบจำลองเชิงรังสรรค์ทำได้ดีกว่ากับตัวเลขที่ต่ำการฝึกอบรมตัวอย่าง แต่การ discriminative รุ่นมักจะได้เปรียบได้รับข้อมูลเพียงพอ ให้ข้อมูลการฝึกอบรมมีศักยภาพมีจำนวนเว็บค้นหาเครื่องมือ รุ่น discriminative คาดว่าจะมีประโยชน์บางอย่างในโปรแกรมประยุกต์นี้ ก็ยังง่ายต่อการรวมคุณลักษณะใหม่ในการ discriminativeรุ่น และ เราได้กล่าวถึง มีหลายร้อยของคุณลักษณะที่มีพิจารณาจัดอันดับ web

ผลลัพธ์ (ไทย) 2:

ทั้งหมดของรูปแบบการดึงความน่าจะเป็นการนำเสนอเพื่อให้ห่างไกลตกอยู่ในหมวดหมู่ของ
รุ่นกำเนิด รูปแบบการกำเนิดสำหรับการจำแนกข้อความอนุมานว่าเอกสาร
ถูกสร้างขึ้นจากรุ่นพื้นฐานบางอย่าง (ในกรณีนี้มักจะเป็นพหุนาม
กระจาย) และใช้ข้อมูลการฝึกอบรมเพื่อประมาณค่าพารามิเตอร์ของ
รูปแบบ น่าจะเป็นของที่อยู่ในชั้นเรียน (เช่นเอกสารที่เกี่ยวข้องสำหรับ
แบบสอบถาม) เป็นที่คาดกันแล้วใช้กฎ Bayes 'และรูปแบบเอกสาร จำแนก
รูปแบบในทางตรงกันข้ามประมาณการน่าจะเป็นของที่อยู่ในชั้นเรียนโดยตรง
จากคุณสมบัติข้อสังเกตของเอกสารที่อยู่บนพื้นฐานของการฝึกอบรม data.22 โดยทั่วไป
ปัญหาการจำแนกรูปแบบการดำเนินการเกี่ยวกับการกำเนิดที่ดีขึ้นกับตัวเลขที่ต่ำ
ตัวอย่างการฝึกอบรม แต่จำแนก รุ่นมักจะมีความได้เปรียบ
ที่ได้รับข้อมูลเพียงพอ ได้รับปริมาณของข้อมูลการฝึกอบรมที่มีศักยภาพที่มีอยู่ไปยังเว็บ
เครื่องมือค้นหารุ่นจำแนกอาจจะคาดว่าจะมีข้อได้เปรียบบางอย่าง
ในโปรแกรมนี้ นอกจากนี้ยังง่ายที่จะรวมคุณสมบัติใหม่เป็นจำแนก
รูปแบบและที่เราได้กล่าวสามารถมีได้หลายร้อยคุณลักษณะที่
การพิจารณาสำหรับการจัดอันดับเว็บ

ผลลัพธ์ (ไทย) 3:

ทั้งหมดของรูปแบบการนำเสนอเพื่อให้ห่างไกลการตกอยู่ในประเภทของรุ่นที่เข้า . รูปแบบการกำเนิดการจำแนกเอกสารข้อความถือว่าถูกสร้างขึ้นจากต้นแบบรุ่น ( ในกรณีนี้มักจะเป็นวิธีกระจาย ) และใช้ข้อมูลการประมาณพารามิเตอร์ของนางแบบ ความน่าจะเป็นของคลาส ( เช่น เอกสารที่เกี่ยวข้องแบบสอบถาม ) แล้วประเมินโดยใช้ Bayes " กฎและเอกสารรูปแบบ และเป็นรูปแบบ , ในทางตรงกันข้าม , ประมาณการน่าจะเป็นของที่เป็นของชั้นโดยตรงจากการตรวจสอบคุณสมบัติของเอกสารตาม data.22 การฝึกอบรมทั่วไปปัญหาการเข้าได้ดีกับรูปแบบการตัวเลขต่ำตัวอย่างการฝึกอบรม แต่รูปแบบและมักจะ มี ประโยชน์ได้รับข้อมูลที่เพียงพอ ให้ปริมาณศักยภาพการฝึกอบรมข้อมูลเว็บเครื่องมือค้นหา , รุ่น และคาดว่าอาจจะมีข้อดีในโปรแกรมนี้ นอกจากนี้ยังง่ายที่จะรวมคุณสมบัติใหม่เป็นค่ารูปแบบและในขณะที่เราได้กล่าวถึง สามารถมีได้หลายลักษณะคือพิจารณาในการจัดอันดับเว็บ