کتاب صوتی آموزش جامع رتبه بندی مرتبط برای موتورهای جستجوی عمودی (با رویکرد Bo Long)

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب آموزش جامع رتبه بندی مرتبط برای موتورهای جستجوی عمودی (با رویکرد Bo Long)

موضوع کلی: موتورهای جستجوی عمودی

موضوع میانی: رتبه بندی مرتبط در موتورهای جستجوی عمودی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر موتورهای جستجوی عمودی
• 2. تفاوت جستجوی عمودی و افقی
• 3. اهمیت جستجوی عمودی در اکوسیستم اطلاعاتی
• 4. مفهوم "مرتبط بودن" در جستجوی عمودی
• 5. ابعاد مختلف مرتبط بودن: اطلاعاتی، تراکنشی، ناوبری
• 6. چالش‌های منحصر به فرد رتبه‌بندی مرتبط در جستجوی عمودی
• 7. هدف‌گذاری و ارزش‌آفرینی موتورهای جستجوی عمودی
• 8. معرفی رویکرد Bo Long در رتبه‌بندی مرتبط
• 9. جمع‌آوری داده برای موتورهای جستجوی عمودی
• 10. خزشگرهای (Crawlers) تخصصی برای دامنه عمودی
• 11. استخراج داده‌های ساختاریافته از وب
• 12. پردازش زبان طبیعی (NLP) برای داده‌های عمودی
• 13. شناسایی موجودیت‌ها و روابط (NER) در متن عمودی
• 14. عادی‌سازی و پاکسازی داده‌های نامنظم
• 15. ادغام داده‌ها از منابع مختلف
• 16. ساختاردهی و ایندکس‌گذاری (Indexing) داده‌های عمودی
• 17. استخراج اسکیما و قالب‌های اطلاعاتی
• 18. رفع ابهام موجودیت‌ها (Entity Disambiguation)
• 19. غنی‌سازی داده‌ها با اطلاعات خارجی
• 20. مدیریت داده‌های زمانی (Temporal Data) در جستجوی عمودی
• 21. نقش دانش‌گراف‌ها (Knowledge Graphs) در جستجوی عمودی
• 22. مبانی مهندسی ویژگی برای رتبه‌بندی
• 23. ویژگی‌های مرتبط با کوئری: کلمات کلیدی، قصد (Intent)
• 24. طبقه‌بندی قصد کوئری (Query Intent Classification)
• 25. بسط کوئری (Query Expansion) در جستجوی عمودی
• 26. ویژگی‌های مرتبط با سند: متنی و ساختاری
• 27. ویژگی‌های مبتنی بر TF-IDF و BM25
• 28. ویژگی‌های مبتنی بر برداری (Vector-based Features)
• 29. ویژگی‌های ساختاری سند (مثلاً بخش‌ها، عنوان‌ها، فرامتن)
• 30. ویژگی‌های مرتبط با دامنه (Domain-specific Features)
• 31. ویژگی‌های محصول (برای جستجوی E-commerce)
• 32. ویژگی‌های جغرافیایی (برای جستجوی محلی)
• 33. ویژگی‌های زمانی (برای رویدادها، اخبار)
• 34. ویژگی‌های مبتنی بر تعامل کاربر: نرخ کلیک (CTR)
• 35. ویژگی‌های مبتنی بر زمان ماندگاری (Dwell Time)
• 36. ویژگی‌های مبتنی بر بازخورد صریح و ضمنی
• 37. ویژگی‌های اجتماعی و اعتبار (Social & Authority Features)
• 38. ایجاد ویژگی‌های ترکیبی (Interaction Features)
• 39. انتخاب ویژگی (Feature Selection) و کاهش ابعاد
• 40. نرمال‌سازی و مقیاس‌بندی ویژگی‌ها
• 41. مواجهه با ویژگی‌های پراکنده (Sparse Features)
• 42. اهمیت ویژگی‌های معنایی در دامنه‌های عمودی
• 43. مهندسی ویژگی برای کوئری‌های چندوجهی (Multi-faceted Queries)
• 44. مرور کلی بر مدل‌های رتبه‌بندی مرتبط
• 45. مدل‌های رتبه‌بندی مبتنی بر قواعد و هیوریستیک
• 46. معرفی یادگیری برای رتبه‌بندی (Learning to Rank - LTR)
• 47. LTR نقطه‌ای (Pointwise LTR)
• 48. رگرسیون لجستیک برای رتبه‌بندی نقطه‌ای
• 49. ماشین‌های بردار پشتیبان (SVM) برای LTR نقطه‌ای
• 50. LTR زوجی (Pairwise LTR)
• 51. RankSVM و RankNet: الگوریتم‌های رتبه‌بندی زوجی
• 52. LTR لیستی (Listwise LTR)
• 53. ListNet و ListMLE: بهینه‌سازی مستقیم لیست‌ها
• 54. LambdaMART: پیشرفته‌ترین مدل LTR لیستی
• 55. معرفی شبکه‌های عصبی در رتبه‌بندی
• 56. مدل‌های معنایی عمیق (Deep Semantic Similarity Models - DSSM)
• 57. شبکه‌های عصبی کانوولوشنال (CNN) برای رتبه‌بندی
• 58. شبکه‌های عصبی بازگشتی (RNN) برای توالی‌ها
• 59. مدل‌های مبتنی بر ترانسفورمر (Transformer-based Models) برای رتبه‌بندی
• 60. استفاده از BERT در رتبه‌بندی مرتبط
• 61. ترکیب مدل‌های مختلف (Ensemble Methods)
• 62. رتبه‌بندی شخصی‌سازی شده (Personalized Ranking)
• 63. رتبه‌بندی در زمان واقعی (Real-time Ranking)
• 64. مدیریت بایاس در مدل‌های رتبه‌بندی
• 65. استنتاج و به‌روزرسانی مدل‌های رتبه‌بندی
• 66. رتبه‌بندی با مدل‌های چند هدفه (Multi-objective Ranking)
• 67. رتبه‌بندی تعاملی و مبتنی بر مکالمه
• 68. کاربرد Reinforcement Learning در رتبه‌بندی
• 69. مدل‌های رتبه‌بندی در جستجوی تصویری و ویدیویی عمودی
• 70. بهینه‌سازی پارامترهای مدل رتبه‌بندی
• 71. مبانی ارزیابی عملکرد رتبه‌بندی
• 72. معیارهای ارزیابی آفلاین: دقت (Precision)، فراخوانی (Recall)
• 73. F1-Score و P@K
• 74. میانگین رتبه متقابل (Mean Reciprocal Rank - MRR)
• 75. Discounted Cumulative Gain (DCG) و Normalized DCG (NDCG)
• 76. طراحی آزمایش‌های انسانی برای ارزیابی مرتبط بودن
• 77. جمع‌آوری داده‌های قضاوت مرتبط بودن (Relevance Judgments)
• 78. توافق بین ارزیاب‌ها (Inter-Annotator Agreement)
• 79. ارزیابی آنلاین: تست A/B
• 80. معیارهای ارزیابی در تست A/B (نرخ کلیک، زمان ماندگاری)
• 81. تجزیه و تحلیل آماری نتایج ارزیابی
• 82. معیارهای هزینه و سود در ارزیابی
• 83. مشکل شروع سرد (Cold Start Problem) در جستجوی عمودی
• 84. رتبه‌بندی تنوع (Diversity Ranking)
• 85. رتبه‌بندی عادلانه (Fairness in Ranking) و اخلاق
• 86. قابلیت توضیح‌دهی مدل‌های رتبه‌بندی (Explainable AI - XAI)
• 87. مواجهه با کلاهبرداری و اسپم در رتبه‌بندی عمودی
• 88. بهینه‌سازی برای سرعت و مقیاس‌پذیری
• 89. رتبه‌بندی در جستجوی محصولات (E-commerce)
• 90. رتبه‌بندی در جستجوی شغل
• 91. رتبه‌بندی در جستجوی محلی و مکان‌محور
• 92. رتبه‌بندی در جستجوی مقالات علمی و دانشگاهی
• 93. رتبه‌بندی در جستجوی پرسش و پاسخ (Q&A Search)
• 94. رتبه‌بندی در جستجوی دستور پخت
• 95. رتبه‌بندی در جستجوی اخبار و رویدادها
• 96. چالش‌های رتبه‌بندی برای کوئری‌های بدون نتیجه (Zero-result Queries)
• 97. بهینه‌سازی برای دستگاه‌های همراه و واسط‌های صوتی
• 98. آینده رتبه‌بندی مرتبط در موتورهای جستجوی عمودی
• 99. مروری بر روندهای پژوهشی و صنعتی جدید
• 100. خلاصه و جمع‌بندی دوره: طراحی یک سیستم رتبه‌بندی عمودی