本篇文章(Matching Task Profiles and User Needs in Personalized Web Search)出自於CIKM'08,
本篇研究提出一套個人化網路搜尋架構, 其主要係透過以統計為基礎的語言模型方法,用它來偵測使用者在網路搜尋時的需求與意圖.
此個人化架構基於使用者個人過往的歷史搜尋紀錄, 並藉此資訊來媒合使用者當前的搜尋需求, 其主要方法如下:
首先, 個人化搜尋架構會將使用者目前的搜尋結果和歷史搜尋記錄進行相似度計算, 計算方法採用Kullback-Leibler (KL) divergence.
接著, 系統會利用 threshold 機制來決定是否要將搜尋查詢實施 query rewritting 或將搜尋結果進行 re-ranking 的動作.有鑒於, 相似度的計算所採用的是KL divergence方法, 因此主要係比較歷史紀錄(tasks)的機率分佈以及當前搜尋結果(facets)的機率分佈.
然而過往歷史搜尋記錄(task)所涉及的行為非常的多元化 (例如: 歷史搜尋,點選的搜尋結果, 閱覽網站行為....), 本論文則是透過混合的方式(mixture)為每一個資料集產生一個語言模型; 同樣的語言模型方式亦應用於當前的搜尋結果(facet)上.
本研究在實驗方面作了一系列詳盡的比較:
1. 採用固定的query expansion 數量 vs. 個人化的query expansion.
2. 不同使用者所計算出來的KL correlation 對個人化結果的改善比較.
3. 不同是使用者所採用的參數實驗.
4. 個人化架構整體的效率分佈.
...
以下提供讀者參閱該論文, 所自行製作的投影片:
2007年3月2日
Adaptive-Support Association Rule Mining for Recommender Systems
一般來說，我們在使用Association Rule Mining Algorithm時，例如Apriori，我們必須事先設定minimum support threshold。 但如何選擇適當的值卻不是那麼直覺，常常只能依靠暴力法來解決。此外，也因為沒有對規則有所限制，所以任何的frequent itemset都會產生規則，使得執行時間大幅增加。
上述以market basket analysis為精神的演算法不適用於推薦系統。因為推薦系統常對特定使用者進行推薦商品的動作，所以不須產生所有的frequent itemset。此外推薦系統必須考慮執行效率，特別是要online運作的規則。所以在這篇論文中，作者根據前人的CBA-RG演算法精神加以修改成適合應用於推薦系統的演算法－ASARM。ASARM不須事先指定minimum support threshold，而是指定想要產生規則數的範圍，並且自動地調整minimum support值。所以ASARM不僅省去指定minimum support的困擾，還可以透過指定產生的規則數的方式來控制執行效率。除此之外，ASARM一次只產生特定使用者或特定商品的規則，以避免產生不相關的規則。
論文中除了提出ASARM演算法之外，在進行推薦工作時，作者先產生user association及article association的規則，並把兩者合併使用，使得能提升執行效率卻又不降低準確度。而實驗部分也探討各個參數對precision、recall、accuracy的影響，並觀察到一些現象加以分析。最後再與Billsus和Pazzani在1998年所提出的方法做比較，證明作者所提出的方法在accuracy方面優於Billsus和Pazzani的方法。
PDF檔案連結
Data Mining and Knowledge Discovery, Vol. 6, No. 1 / January, pp.83-105, 2002
訂閱：
文章 (Atom)
