Ранжирование что значит: ранжирование | это… Что такое ранжирование?

Ранжирование | что это такое

БЫСТРАЯ ЗАЯВКА

Украина, Киев, 02000
ул. Георгия Тороповского

+38 (044) 232-40-42

+38 (068) 797-29-27

[email protected]

[email protected]

  • SEO википедия
  • Р
  • Ранжирование

Ранжирование — определение порядка в соответствии с рангом, авторитета, респектабельности или релевантности, если речь идет о сайте. Ранжирование — это процесс, результат которого пользователь видит, получая ответ поисковой системы на свой вопрос. Система получает и обрабатывает запрос, сортирует все имеющиеся в своей базе данных, то есть проводит ранжирование, и выдает результат. Выдача, как известно, представляет собой страницу или несколько, где в определенном порядке расположены ссылки, отвечают на вопросы. Размещение всех сайтов в соответствующий цепочку и является ранжированием.

Механизм ранжирования

Понимание механизма ранжирования дает ответ на вопрос, почему два примерно похожих на вид сайты, одной тематики, занимают в ответе поисковой системы настолько разные места. Например, один находится на первой строчке — в ТОПе, а другой вообще потерялся на третьей странице. Как поисковая система проводит ранжирование, кому отдает предпочтение, по каким признакам определяет «»лучшую»» релевантность — ответы на эти вопросы позволят участвовать в ранжировании с хорошим результатом и попаданием в ТОП — то есть в первую десятку — выдачу на первой странице.

Все сайты, проиндексированные поисковой системой подпадают под ранжирование, если имеют страницы, соответствующие поисковому запросу. При этом каждая поисковая система проводит ранжирование по своим принципам. Результат этой разницы проявляется в том, что часто различные сайты попадают в первую десятку в различных поисковых системах. В данном случае учитываются внешние и внутренние факторы ранжирования.

Релевантность как критерий ранжирования

Ранжирование происходит согласно релевантности сайта, которую каждая поисковая система понимает по-своему. Есть два важных момента в определении релевантности, то есть соответствия сайта запросу.

Первый момент — смысловой, то есть содержательный. Содержательная релевантность формируется с лексико-семантического анализа размещенного на сайте текста.

Второй критерий — формальный. Это соответствие алгоритмам определения релевантности, которые внесены в программу поисковой системы. Результат ранжирования — не постоянна, а переменная величина. Сотрудники систем меняют алгоритмы, чтобы нерелевантные сайты не могли с помощью некорректных методов прорваться через заслон фильтров. Но если сайт пользуется доверием поисковой системы, то изменение алгоритма не обязательно изменит его место в выдаче.

Отдельно стоит сказать о ссылочное ранжирование сайта методом внешних ссылок, которое зависит от количества и качества ссылок на данный сайт или данную страницу, ведущих с других сайтов, а также — от внутренней перелинковки. При ранжировании важно не только количество ссылок, но и их текст, возраст, расположение, стабильность, а также авторитетность сайта который ссылается.

Ранжирование по-байесовски от доктора Кюблера / Хабр


Представьте, что в 

какой-то

игре игроки соревнуются один на один. Возникает естественный вопрос: «Как их ранжировать?». За ответом приглашаем под кат — к старту нашего

флагманского курса по Data Science

.


Посмотрим, как построить модель ранжирования множества игроков (рекомендаций, результатов поиска

и т. д.

). Сделаем это при помощи байесовской модели, где ранжирование выполняется даже без характеристик самих игроков, хотя их учёт можно добавить.

Теоретически задача не должна стать слишком сложной: пусть игроки сыграют несколько раз и посмотрят на соотношение побед. Но, к сожалению, этот естественный подход неидеален. Вот почему:

  • нельзя определить, что именно значит близкое к 100% соотношение побед: или игрок исключительный, или ему проиграли только слабые соперники;

  • если игрок сыграл всего несколько игр, то в оценке его силы высока неопределённость. При «сыром» соотношении побед этой проблемы нет.


Задачи, которые формулируются как игры «один на один», часто встречаются при ранжировании. Это касается:

  • игроков в реальном соревновании: теннис, гонки, карточные игры, бои покемонов и т. д.

  • результатов поиска: чем они релевантнее запросу пользователя, тем лучше;

  • рекомендаций: чем они релевантнее тому, что пользователь захочет купить, тем лучше, и т. д.


Давайте при помощи PyMC создадим простую байесовскую модель, где решается эта задача ранжирования. Подробности о модели смотрите в моём введении в байесовский мир с PyMC — предшественником PyMC с почти таким же синтаксисом.

Модель Брэдли — Терри


Придадим этой модели байесовское звучание. Пугающее, но на самом деле очень простое.

Что это за модель?


Вся эта модель сводится к двум допущениям:

  1. У каждого игрока (человека, покемона) есть сила игры, у результата поиска и рекомендации — релевантность и так далее.

  2. Если соревнуются игроки 1 и 2, сила которых s₁ и s₂ соответственно, игрок 1 выигрывает с такой вероятностью:

σ — наша старая добрая сигмоида

Причём никаких признаков (характеристик) игроков вроде роста или веса человека здесь не используется. А значит, эта модель применима к разным задачам.

Если включить в неё характеристики игроков, то можно получить что-то вроде RankNet от Microsoft. Чтобы из признаков x явным образом построить численные значения силы игроков s = f(x), авторы RankNet используют нейросеть, а в байесовском подходе силы s напрямую работают как параметры.

Чтобы построить частотную версию модели Брэдли — Терри при помощи фреймворка глубокого обучения, можно использовать слой встраивания. Давайте проверим работоспособность такого построения модели. Итак, у каждого игрока есть сила. По ней и упорядочиваются игроки.

Допустим, у первого игрока сила намного больше, чем у второго, то есть s₁ — s₂ — это большое число. Значит, σ(s₁ — s₂) близко к единице. Таким образом, с огромной вероятностью выиграет первый игрок. Именно это нам здесь и нужно. В обратной ситуации — аналогично. Если у игроков сила одинакова, вероятность выигрыша каждого из них равна σ(0) = 50%. Идеально.

Создание набора данных


Прежде чем строить модель, создадим искусственный набор данных о результатах игр:

И теперь у нас есть преимущество: нам известны признаки, которые нужно искать в модели.

Вот код генерации искусственных данных:

import pandas as pd
import numpy as np
np.random.seed(0)
def determine_winner(player_1, player_2):
    if player_1 == 0 and player_2 == 1:
        return np.random.binomial(n=1, p=0.05)
    if player_1 == 0 and player_2 == 2:
        return np.random.binomial(n=1, p=0.05)
    if player_1 == 1 and player_2 == 0:
        return np.random.binomial(n=1, p=0.9)
    if player_1 == 1 and player_2 == 2:
        return np.random.binomial(n=1, p=0.1)
    if player_1 == 2 and player_2 == 0:
        return np.random.binomial(n=1, p=0.9)
    if player_1 == 2 and player_2 == 1:
        return np.random.binomial(n=1, p=0.85)
games = pd.DataFrame({
    "Player 1": np.random.randint(0, 3, size=1000),
    "Player 2": np. random.randint(0, 3, size=1000)
}).query("`Player 1` != `Player 2`")
games["Player 1 wins"] = games.apply(
    lambda row: determine_winner(row["Player 1"], row["Player 2"]),
    axis=1
)


Набор состоит из данных о трёх игроках, которые соревнуются друг с другом случайным образом. Именно это происходит в функции determine_winner: принимается два индекса игроков (0, 1, 2) и вывод показывается, если выигрывает player_1. Пример: в игре (0, 1) игрок 0 выигрывает с вероятностью p=0.05 у игрока 1.

Внимательно посмотрите на вероятности в коде: игрок 2 должен быть лучшим, 1 — средним, а 0 — слабейшим.


Для разнообразия введём четвёртого игрока, который сыграл всего две игры:

new_games = pd.DataFrame({
    "Player 1": [3, 3],
    "Player 2": [2, 2],
    "Player 1 wins": [1, 1]
})
games = pd.concat(
    [games, new_games],
    ignore_index=True
)


Игрок 3 сыграл дважды против номера 2 и даже дважды выиграл. Значит, у номера 3 значение силы тоже должно быть высоким. Но нельзя сказать, действительно ли он лучше номера 2 или это была случайность.

Построение модели при помощи PуМС


Теперь можно построить модель. Обратите внимание: силы игроков обозначаются априорными гауссовыми значениями. Кроме того, для пяти игроков в модели выводятся постериорные значения, хотя для последнего игрока с номером 4 данных нет. Посмотрим, как это происходит.

Что ещё важно — я не использую сигмоиду явно. Если передать разницу сил игры у игроков через параметр logit_p, а не p, роль сигмоиды сыграет объект pm. Bernoulli.

import pymc as pm
with pm.Model() as model:
    strength = pm.Normal("strength", 0, 1, shape=5)
    diff = strength[games["Player 1"]] - strength[games["Player 2"]]
    
    obs = pm.Bernoulli(
        "wins",
        logit_p=diff,
        observed=games["Player 1 wins"]
    )
    
    trace = pm. sample()


Проверим, как распределяются постериорные значения. Выше — апостериорные распределения в виде графиков плотности, ниже — лесовидная диаграмма [forest plot], на которой легко сравнивать постериорные значения силы:

Смотрите: игрок с номером 0 действительно слабейший, за ним следует номер 1. Номера 2 и 3 — лучшие, как и ожидалось. Среднее апостериорного распределения у номера 3 чуть ниже, чем у номера 2. Зато интервал высокой плотности намного больше. То есть неопределённость в отношении силы номера 3 больше по сравнению с номером 2. Постериорное значение силы номера 4 такое же, как априорное. Оно нормально распределено со средним значением 0 и среднеквадратическим отклонением 1. Ничему новому модель здесь научить нельзя. Вот ещё цифры:

Похоже, в этом случае наблюдалось и хорошее схождение MCMC: все значения r_hat равны 1.

Кроме того, у некоторых игроков значение силы отрицательное, но это нормально, ведь мы всё равно используем разницу в силе только между двумя игроками. Если вам это по какой-то причине не нравится, замените априорные значения силы на полунормальное распределение HalfNormal или просто добавьте к постериорным значениям константу, например 5. Тогда все средние значения и интервалы высокой плотности окажутся в положительном диапазоне.

Заключение


Модель начиналась с априорных представлений об уровнях силы игры, которые затем с помощью данных менялись. Чем больше сыграно игр, тем меньше неопределённость относительно силы игрока. В экстремальном случае, когда игроком не сыграно ни одной игры, апостериорное распределение его силы равно априорному, что логично.

Надеюсь, сегодня вы узнали что-то новое, интересное и полезное. Спасибо за внимание!

А мы поможем разобраться в программировании, чтобы вы прокачали карьеру или стали востребованным профессионалом в IT:

  • Профессия Data Scientist (24 месяца)

  • Профессия Fullstack-разработчик на Python (15 месяцев)

Чтобы увидеть все курсы, кликните по баннеру:

Краткий каталог курсов

Data Science и Machine Learning

  • Профессия Data Scientist

  • Профессия Data Analyst

  • Курс «Математика для Data Science»

  • Курс «Математика и Machine Learning для Data Science»

  • Курс по Data Engineering

  • Курс «Machine Learning и Deep Learning»

  • Курс по Machine Learning

Python, веб-разработка

  • Профессия Fullstack-разработчик на Python

  • Курс «Python для веб-разработки»

  • Профессия Frontend-разработчик

  • Профессия Веб-разработчик

Мобильная разработка

  • Профессия iOS-разработчик

  • Профессия Android-разработчик

Java и C#

  • Профессия Java-разработчик

  • Профессия QA-инженер на JAVA

  • Профессия C#-разработчик

  • Профессия Разработчик игр на Unity

От основ — в глубину

  • Курс «Алгоритмы и структуры данных»

  • Профессия C++ разработчик

  • Профессия «Белый хакер»

А также

  • Курс по DevOps

  • Все курсы

РЕЙТИНГ | Английское значение — Cambridge Dictionary

Перевод рейтинга

на китайский (традиционный)

排名, 名次, 地位…

Подробнее

на китайском (упрощенном)

排名, 名次, 地位…

Увидеть больше

на испанском

ранжирование, классификация, высокий уровень…

Узнать больше

на португальском языке
Увидеть больше

на других языках