微软亚洲研究院-智能信息处理研究中心.DOC

智能信息处理实验室研究生文献阅读总结报告 阅 读 人 时 间 文献出处 作者单位 所属领域 具体问题 文献标题 研究问题说明 注：可简单的提及一下背景和动机，如果多篇文章的背景和动机相同的话，可以写一个；若研究背景一般人都十分普遍和熟悉，可简略提一下即可。 相关工作介绍 注：这部分主要是论文中的related work部分，主要是对已有工作的分类和总结。特别是要明确已有工作都存在哪些问题，适用的范围如何，这篇文章所要解决的主要问题是什么。 本文方法介绍 注：这部分不要将文中的内容拷贝下来，也无需全部翻译成中文。要求用尽可能简练的语言进行总结，而不是简单对原文的一种翻译，而一定要理解后用自己的话来描述。 实验描述 注：明确实验的目的和目标、实验数据来源、实验设计方法、评价度量，以及实验结论等。 总结 注：这部分主要是阅读者对文中内容经过自己的理解后得到的一些想法，例如有何体会，从中受到何种启发，文中的方法还存在哪些问题，自己还能提出什么样的改进思路，以及一些自己提出的可以继续探讨的问题等。 样 例 阅 读 人 梁婷婷 时 间 2008.2.20 文献出处 WWW2007 作者单位 微软亚洲研究院 所属领域 信息检索 具体问题 搜索策略评估 文献标题 A Large-scale Evaluation and Analysis of Personalized Search Strategies 研究问题说明 个性化搜索已经成为一个研究火热的问题，人们也已经研究出了很多个性化搜索策略。进而产生的问题就是，是否个性化搜索策略对所有的用户、所有的查询都能呈现出同样好的搜索效果。 相关工作介绍 现有的一些个性化搜索策略主要是： 让用户为搜索引擎提供个人兴趣信息，搜索引擎将搜索结果与用户兴趣进行相似性对比（一般是把它们表示成类别向量），从而给出更好的搜索结果。但是研究发现大量用户并不愿意主动提供个人兴趣信息。 从用户的搜索历史中，自动学习出用户兴趣，建立用户兴趣文件（profile），分为短期和长期用户兴趣。 基于超链接结构分析的个性化方法，如Personalized PageRank、Topic-Sensitive PageRank等。 从一组相似用户中提取用户兴趣信息，如协同过滤方法。 现有的一些研究发现，个性化搜索策略对不同的查询有不同的效果： 并不是所有的查询都适合做个性化处理，对于少量模糊查询，现在的搜索引擎给出的排序结果就足够了。 个性化搜索处理一些半模糊和模糊查询，会给出更高质量的排序结果，但对于清晰的查询，普通的搜索引擎会更好 对于新鲜的查询，更适合使用近期历史数据分析；而对于重复的查询，更适合使用长期历史数据分析。 结： 并不是所有的查询都适合做个性化处理。 不同的个性化策略对不同的查询有不同的效果 对于不同的搜索历史和搜索上下文，个性化搜索策略会表现出不同的效果。 本文贡献： 本文主要就是针对这一问题，提出了一种评估框架，来评价基于查询日志的个性化搜索策略的性能。并且给出了５种个性化搜索策略，并用此评估框架加以评估。 本文方法 针对如何评估一个搜索策略的好坏问题，作者首先提出5种个性化搜索策略，个性化分值的计算方法： SP-Click：对于一个用户u和一个查询q，u过去提交过这个查询，并且曾经点击过很多网页，其中点击次数越多的网页就越相关（此方法的缺点就是当用户没有提交过此查询的时候就不适用了） SL-Profile：比较搜索结果类别向量和用户长期历史兴趣向量的相似性，其中长期兴趣向量是从用户历史点击数据中学习得到 SS-Profile：与上个类似，此处比较的是用户短期兴趣向量，即限制在一个session期间内 SLS-Profile：结合短期和长期用户兴趣 SG-Click：使用K最临近协同过滤的方法，用一组内相似用户的兴趣代表当前用户的兴趣 本文的评估框架： 对一个查询q，从MSN搜索引擎下载前50个搜索结果U，当前搜索结果rank序列为τ1。 为U中的每个结果页xi计算它的个性化分值，进而产生一个新的rank序列τ2。 利用Borda的ranking融合方法结合τ1和τ2，然后利用结合后的ranking重新排序U，得到最后的rank列表τ。τ即为查询q的最终个性化搜索结果列表。 使用本文的评估方法对τ进行评估 补充： 提出了点击熵的概念，用来指示查询点击的多样性。某查询熵值大说明对于该查询，用户的点击并不集中，就有必要做个性化。 实验：从MSN搜索日志获得的12天的搜索数据，从中排除那些没有产生任何点击的查询。结果与普通没有经过个性化的搜索对比评估：采用前人提出的Rank Scoring值和Average Rank值进行评估。对于每一种搜索策略最终都能计算出这