论文部分内容阅读
查询推荐技术已经成为现代搜索引擎的不可或缺功能,它能够有效的帮助用户表达信息需求,以便搜索引擎能够更加准确的返回满足用户需求的信息,改善用户搜索体验。然而,现有研究的查询推荐模型大都通过挖掘用户搜索日志、知识库或文档集为用户推荐查询词。通常只考虑了用户提交的原始查询词与候选推荐词之间的相关性关系,忽略了用户对当前搜索结果的满意度。并且没有考虑到针对不同类别的查询词在用户不同满意度状态下,用户对查询推荐功能的兴趣度和对用户选择查询推荐词策略的影响。针对以上三个问题,本文首先通过用户实验,探索针对不同类别的查询词,用户满意度与使用查询推荐功能兴趣的关系和用户满意度与选择查询推荐词新颖度之间的关系。然后,提出一种融合用户满意度状态的查询推荐模型,该模型可以依据用户当前的满意度,自适应的为用户推荐更新颖性或相关的查询词。用户实验表明,针对不同类别的查询词,用户满意度与使用查询推荐功能兴趣存在紧密的关系,用户满意度对用户选择查询推荐词有影响。用户日志实验表明,本模型效果优于查询流图模型。论文主要做了以下3个方面的研究:第一,对查询推荐领域研究内容做了简要介绍,着重对查询推荐模型进行了概述并依据查询推荐所依赖的数据不同和模型结构不同进行了分类。接着介绍了用户查询满意度的定义及发展,然后介绍了查询分类,最后简要介绍了眼动技术在信息检索领域的运用。第二,查询推荐用户实验,实验包括两部分。第一部分通过用户在线调查问卷的形式,统计了用户的学历、使用搜索引擎频率及习惯,探究用户对当前搜索结果满意和不满意时,更倾向的搜索行为。第二部分通过使用眼动仪进行用户实验,实验中通过获取用户对当前搜索结果满意度的评分、点选的查询推荐词和用户眼动数据,探索用户满意度与使用查询推荐功能之间的关系和用户满意度与选择查询推荐词新颖性之间的关系。第三,构建基于用户查询满意度的自适应查询推荐模型(Auto-Adaptive Query Recommendation Model,AQRM)。创新性地在传统查询流图(Query-Flow Graph)的基础上融合用户对当前搜索结果的满意度,自适应的推荐不同类型查询词给用户。当用户对当前搜索结果满意时,推荐新颖性强的查询推荐词;当用户对当前搜索结果不满意时,推荐加强相关性的查询推荐词。本模型的实验结果明显优于查询流图模型,可以更好地提升用户体验。