Hoge kwaliteit semantic search betekent een stijging van de relevantste zoekresultaten. Methodes voor het creëren (of: leren) van een complexe ranking functie die dit bereikt, staan tegenwoordig in de aandacht onder de noemer Learning to Rank (LTR).
Hierbij worden machine learning-technieken gebruikt om te leren van feedback van gebruikers over welke zoekresultaten relevant zijn en welke niet. Zoals beschreven in de blogpost van mijn collega Ruben Geerlings, gebruiken we bij Textkernel Elasticsearch als onderliggende zoekmachine voor Search! en Match! om een zeer schaalbaar product aan te kunnen bieden. De integratie van uitgebreidere domeinkennis met een standaard, eenvoudig lineair gewogen rankingfunctie is echter moeilijk. In deze blogpost legt Textkernel’s Research Engineer Agnes van Belle uit hoe Textkernel standaard zoektechnieken uitbreidt met LTR algoritmes om de matchingresultaten te verbeteren.
Lees het volledige artikel (EN) >>
Over de auteur
Agnes van Belle is Research Engineer bij Textkernel en houdt zich bezig met machine learning onderzoek wat betreft (re)ranking- en software development om de prestaties van Search! en Match! te verbeteren. In haar vrije tijd tekent ze, leest boeken of speelt graag een potje schaken.
Benieuwd naar Textkernel? We groeien en zijn op zoek naar nieuwe collega’s!
