哪一个更适合 rank svm 的训练数据——更多的查询，更少的文档，还是更少的查询，每个查询更多的文档？
Which one is better for train data for rank svm - more queries with less documents or less queries with more documents per query?
我正在使用基于成对方法的 Rank SVM [https://en.wikipedia.org/wiki/Ranking_SVM , http://research.microsoft.com/en-us/people/hangli/l2r.pdf ]，即模型通过比较同一查询中不同等级的样本来学习。那么，在准备火车数据集时，哪种方法更好呢？ -- 200 个查询，每个查询有 10 个评分文档，或者 100 个查询，每个查询有 20 个评分文档？在这两种方法中，评分的数量是相同的。
这样的问题没有明确的答案，因为它是严重依赖数据的因素。换句话说，唯一的一般答案是 "you have to check both and select the best"。例如，您可以收集较小的样本并在那里检验您的假设。
唯一可以指导您的理论方面是排序 SVM 实际上是将您的问题转化为二元分类问题的二次（根据关系数）大小。因此，如果用“10”或“20 个分级文档”表示每个查询得到 10 或 20 个有序结果，那么 100 个查询和 20 个文档中有更多信息，因为它为您提供了 100 * (20^2) = 40,000 个训练样本，而第二种方法只有 200 * (10^2) = 20,000。然而，在实践中，这 40,000 个样本的信息量可能少于 20,000 个（因为它们只涵盖了一半的文档 space，此外，订购 20 个文档可能根本没用，因为其中大部分都是 "equally bad"） .
我正在使用基于成对方法的 Rank SVM [https://en.wikipedia.org/wiki/Ranking_SVM , http://research.microsoft.com/en-us/people/hangli/l2r.pdf ]，即模型通过比较同一查询中不同等级的样本来学习。那么，在准备火车数据集时，哪种方法更好呢？ -- 200 个查询，每个查询有 10 个评分文档，或者 100 个查询，每个查询有 20 个评分文档？在这两种方法中，评分的数量是相同的。
这样的问题没有明确的答案，因为它是严重依赖数据的因素。换句话说，唯一的一般答案是 "you have to check both and select the best"。例如，您可以收集较小的样本并在那里检验您的假设。
唯一可以指导您的理论方面是排序 SVM 实际上是将您的问题转化为二元分类问题的二次（根据关系数）大小。因此，如果用“10”或“20 个分级文档”表示每个查询得到 10 或 20 个有序结果，那么 100 个查询和 20 个文档中有更多信息，因为它为您提供了 100 * (20^2) = 40,000 个训练样本，而第二种方法只有 200 * (10^2) = 20,000。然而，在实践中，这 40,000 个样本的信息量可能少于 20,000 个（因为它们只涵盖了一半的文档 space，此外，订购 20 个文档可能根本没用，因为其中大部分都是 "equally bad"） .