Yapay öğrenmede temel problemlerden biri, ilgilenilen birimler arasındaki tercih ilişkilerinin belirlenmesidir. Bu kapsamda sıralama, verilen bir tercih ilişkisine göre birimleri düzenleme yeteneğine sahip bir fonksiyonu öğrenmek olarak tanımlanabilir. Bu tip problemler genellikle örneklerin çiftler olduğu sınıflandırma problemi olarak ele alınır. Bu çalışmada ise genel sıralamanın bir tahmini için eşli karşılaştırmalara dayanan bir yaklaşım sunulmuştur. Eşli sıralama hatasını minimize eden bu sıralama problemi, bir doğrusal eşitlikler sistemi ile temsil edilmiştir. Bu doğrusal eşitlik sisteminin çözülmesiyle sıralama fonksiyonlarının öğrenilmesi için gradyan düşümü algoritmasının geliştirilmiş bir versiyonu önerilmektedir. Ayrıca, oluşturulan sıralama modelinin genelleştirme performansını kontrol edebilmek için Tikhonov düzeltmesi de bu çalışma kapsamında kullanılmıştır.

• Caruana, R., Baluja, S., & Mitchell, T. 1996. Using the future to "sort out" the present: Rankpropand multitask learning for medical risk evaluation, Advances in Neural Information Processing Systems, 959-965.
• Herbrich, R., Graepel, T., & Obermayer, K. 2000. Large margin rank boundaries for ordinal regression. Advances in Large Margin Classifiers, MIT Press, 115-132.
• Crammer, K., and Yoram S. 2002. Pranking with ranking, Advances in neural information processing systems, 641-647.
• Menon, A. K. and Williamson, R. C. 2016. Bipartite ranking: a risk-theoretic perspective, Journal of Machine Learning Research, 17(195), 1-102.
• Haltaş A., Alkan A., Karabulut M. 2015. Performance analysis of heuristic search algorithms in text classification, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (3), 417-427.
• Kaya, Y., and Ertugrul, O. F. 2016. A novel feature extraction approach for text-based language identification: Binary patterns, Journal Of The Faculty Of Engineering and Architecture Of Gazi University, 31(4), 1085-1094.
• Harrington, E. 2003. Online ranking/collaborative filtering using the Perceptron algorithm, International Conference on Machine Learning, 250-257.
• Dekel, O., Singer, Y. and Manning, C.D. 2004. Loglinear models for label-ranking, Advances in neural information processing systems, 497-504.
• Freund, Y., Iyer, R., Schapire, R. and Singer, Y. 2003. An efficient boosting algorithm for combining preferences, Journal of Machine Learning Research, 4, 933-969.
• Song, Y., Wang, H. and He, X. 2014. Adapting deep ranknet for personalized search, Proceedings of the 7th ACM international conference on Web search and data mining, 83-92, ACM.
• Zong, W., and Huang, G. B. 2014. Learning to rank with extreme learning machine, Neural processing letters, 39(2), 155-166.
• Busa-Fekete, R., and Hüllermeier, E. 2014. A survey of preference-based online learning with bandit algorithms, International Conference on Algorithmic Learning Theory, 18-39, Springer, Cham.
• Airola, A., Pahikkala, T., and Salakoski, T. 2010. Large scale training methods for linear RankRLS, Proceedings of the ECML/PKDD-Workshop on Preference Learning, E. Hüllermeier and J. Fürnkranz, Eds.
• Taş, E., and Memmedli, M. 2017. Near optimal step size and momentum in gradient descent for quadratic functions, Turkish Journal of Mathematics, 41(1), 110-121.
• Lewis, D. D., Yang, Y., Rose, T. G., and Li, F. 2004. Rcv1: A new benchmark collection for text categorization research, Journal of machine learning research, 5(Apr), 361-397.