Since KL-divergence is always posit

Since KL-divergence is always positive and is larger for distributions that are further apart, we use the negative KL-divergence as the basis for the ranking function (i.e., smaller differences mean higher scores). In addition, KL-divergence is not symmetric, and it matters which distribution we pick as the true distribution. If we assume the true distribution to be the relevance model for the query (R) and the approximation to be the document language model (D), then the negative KL-divergence can be expressed as

ผลลัพธ์ (ไทย) 1:

ตั้งแต่ KL-เศรษฐกิจเป็นบวกเสมอ และมีขนาดใหญ่สำหรับการกระจายที่มีต่อกัน เราใช้ KL-เศรษฐกิจติดลบเป็นพื้นฐานสำหรับการจัดอันดับ (เช่น ความแตกต่างของขนาดเล็กหมายถึง คะแนนสูงขึ้น) นอกจากนี้ KL divergence ไม่สมมาตร และมันเป็นเรื่องการแจกจ่ายที่เราเลือกเป็นการกระจายที่แท้จริง ถ้าเราสมมติการแจกจริงจะ เกี่ยวข้องแบบ สอบถาม (R) และค่าประมาณเป็น เอกสารภาษารุ่น (D) แล้ว แสดง KL-เศรษฐกิจติดลบเป็น

ผลลัพธ์ (ไทย) 2:

ตั้งแต่ KL-แตกต่างอยู่เสมอในเชิงบวกและมีขนาดใหญ่สำหรับการกระจายที่ห่างกันไปเราจะใช้ในเชิงลบ KL-แตกต่างเป็นพื้นฐานสำหรับฟังก์ชั่นการจัดอันดับ (เช่นความแตกต่างที่มีขนาดเล็กหมายถึงคะแนนที่สูงกว่า) นอกจากนี้ KL-แตกต่างไม่สมมาตรและมันเป็นเรื่องสำคัญที่เราเลือกการจัดจำหน่ายที่จำหน่ายจริง ถ้าเราคิดการกระจายความจริงที่จะเป็นรูปแบบความสัมพันธ์กันสำหรับแบบสอบถาม (R) และประมาณว่าจะเป็นรูปแบบภาษาของเอกสาร (D) แล้วลบ KL-แตกต่างสามารถแสดงเป็น

ผลลัพธ์ (ไทย) 3:

ตั้งแต่ KL ความแตกต่างอยู่เสมอบวกและมีขนาดใหญ่สำหรับการแจกแจงที่แยกห่างออกจากกัน เราใช้ความแตกต่างที่ KL ลบเป็นพื้นฐานสำหรับฟังก์ชันการจัดอันดับ ได้แก่ ความแตกต่างที่มีค่าเฉลี่ยสูงกว่า ) นอกจากนี้ใน KL divergence ไม่สมมาตร และมันสำคัญที่เราเลือก เช่น การกระจายจริง ถ้าเราถือว่า การกระจายจริงเป็นรูปแบบความเกี่ยวข้องแบบสอบถาม ( R ) และการประมาณเป็นภาษาเอกสารแบบ ( D ) , ความแตกต่างที่ KL ลบสามารถแสดงเป็น