2009年8月23日
Detecting Online Commercial Intention (OCI)
本篇文章 (Detecting Online Commercial Intention (OCI)) 出自於WWW'06, 主要的作者為微軟研究團隊.
如果可以瞭解或預測使用者的網路行為, 則可以進一步給予個人化內容, 例如: 呈現使用者喜愛的產品或新聞內容給使用者. 因此對資訊服務提供者 (Information Service Provider) 而言能夠精確的預測使用者行為, 係一項很重要的任務. 本論文主要探討使用者在網路上面的行為是否具有商業意圖, 稱為 Online Commercial Intention (OCI), 作者將網路行為主要分成使用者正在瀏覽的網頁 (web) 和使用者所搜尋的查詢 (query), 因此將線上商業意圖偵測議題分成網頁商業意圖偵測 (Web Page Online Commercial Intention Detection) 及查詢商業意圖偵測 (Query Online Commercial Intention Detection).
Web Page OCI Detector: 作者透過機器學習的方式產生網頁商業意圖偵測器, 此偵測器為二元分類器, 主要任務係將一般網頁分成商業 (commercial) 或是非商業 (non-commercial), 所採用的特徵 (feature) 除了使網頁中所有的文字之外, 也使用feature selection方法挑選了額外較具有鑑別力的特徵, 關於機器學習演算法則為SVM (Support Vector Machine).
Query OCI Detector: 一般查詢均會有相對應的網頁, 例如: 搜尋引擎回傳的網頁. 因此作者將先前訓練好的Web Page OCI Detector對這些網頁進行分類, 判斷所回傳的網頁是否屬於commercial. 由於搜尋引擎所回傳的網頁具有順序性, 為了將rank因素考量在內, 作者採用第二種分類器 (Query OCI Detector), 將查詢判斷成具有商業意圖或者非商業意圖.
實驗部份, 在Web Page OCI部分, 平均F-measure可達92%, 同時也比較了不同的feature size對於結果的影響. 關於Query OCI, 平均 F-measure可達85%, 並且實驗出有趣的發現, 查詢的頻率越高越有可能具有商業意圖, 相對的頻率越短的查詢越不具有商業意圖.
本論文對於欲探討使用者行為除了做個一個基本的介紹外, 亦使用了機器學習演算法來判斷網頁及查詢的意圖, 可讓讀者了解機器學習如何實際應用到網頁領域的基本知識.
以下附上, 閱讀過後所整理的投影片.
如果可以瞭解或預測使用者的網路行為, 則可以進一步給予個人化內容, 例如: 呈現使用者喜愛的產品或新聞內容給使用者. 因此對資訊服務提供者 (Information Service Provider) 而言能夠精確的預測使用者行為, 係一項很重要的任務. 本論文主要探討使用者在網路上面的行為是否具有商業意圖, 稱為 Online Commercial Intention (OCI), 作者將網路行為主要分成使用者正在瀏覽的網頁 (web) 和使用者所搜尋的查詢 (query), 因此將線上商業意圖偵測議題分成網頁商業意圖偵測 (Web Page Online Commercial Intention Detection) 及查詢商業意圖偵測 (Query Online Commercial Intention Detection).
Web Page OCI Detector: 作者透過機器學習的方式產生網頁商業意圖偵測器, 此偵測器為二元分類器, 主要任務係將一般網頁分成商業 (commercial) 或是非商業 (non-commercial), 所採用的特徵 (feature) 除了使網頁中所有的文字之外, 也使用feature selection方法挑選了額外較具有鑑別力的特徵, 關於機器學習演算法則為SVM (Support Vector Machine).
Query OCI Detector: 一般查詢均會有相對應的網頁, 例如: 搜尋引擎回傳的網頁. 因此作者將先前訓練好的Web Page OCI Detector對這些網頁進行分類, 判斷所回傳的網頁是否屬於commercial. 由於搜尋引擎所回傳的網頁具有順序性, 為了將rank因素考量在內, 作者採用第二種分類器 (Query OCI Detector), 將查詢判斷成具有商業意圖或者非商業意圖.
實驗部份, 在Web Page OCI部分, 平均F-measure可達92%, 同時也比較了不同的feature size對於結果的影響. 關於Query OCI, 平均 F-measure可達85%, 並且實驗出有趣的發現, 查詢的頻率越高越有可能具有商業意圖, 相對的頻率越短的查詢越不具有商業意圖.
本論文對於欲探討使用者行為除了做個一個基本的介紹外, 亦使用了機器學習演算法來判斷網頁及查詢的意圖, 可讓讀者了解機器學習如何實際應用到網頁領域的基本知識.
以下附上, 閱讀過後所整理的投影片.
Detecting Online Commercial Intention (OCI)
View more presentations from ceya.
2009年8月12日
徵博士後研究及專任研究助理
【職務說明】
本校為執行「培育優質人力促進就業計畫－教育部補助大專校院研究人才延攬方案」，遴聘相關人員。
相關權利義務，以雙方訂定之契約規範之。
本方案延聘之研究人才不得兼任其他工作。
本方案以95-97學年度畢業之本國籍.碩博士生為優先延聘對象。
本方案不得聘任因本方案之實施而辦理休退學者。
聘任單位/計畫主持人：國立中央大學資工系/張嘉惠 網路智慧暨資料探勘研究室
【職務類別】
博士後研究員1名，碩士或大專專任研究助理1名
【工作範疇】
主要研究內容：Web資料擷取及整合，機器學習及資料探勘，文件探勘及摘要
協助研究計畫之進行、程式與報告撰寫
【徵求條件】
資工相關科系畢業，或對資料，文件，Web分析有經驗，且具有研究熱忱者。
依教育部補助大專校院研究人才延攬方案經費審查作業要點辦理
擬聘任期間：98/09/01-99/07/31
【聯絡人/連絡方式】
意者請將履歷表、自傳、畢業證書影本及成績單等資料，Email計畫主持人。
意者請儘早投遞履歷，隨到隨審；如有合適人選，即不再收件。
條件符合者邀請面談，應徵資料恕不退件及函覆。
收件截止日：98.08.31
本校為執行「培育優質人力促進就業計畫－教育部補助大專校院研究人才延攬方案」，遴聘相關人員。
相關權利義務，以雙方訂定之契約規範之。
本方案延聘之研究人才不得兼任其他工作。
本方案以95-97學年度畢業之本國籍.碩博士生為優先延聘對象。
本方案不得聘任因本方案之實施而辦理休退學者。
聘任單位/計畫主持人：國立中央大學資工系/張嘉惠 網路智慧暨資料探勘研究室
【職務類別】
博士後研究員1名，碩士或大專專任研究助理1名
【工作範疇】
主要研究內容：Web資料擷取及整合，機器學習及資料探勘，文件探勘及摘要
協助研究計畫之進行、程式與報告撰寫
【徵求條件】
資工相關科系畢業，或對資料，文件，Web分析有經驗，且具有研究熱忱者。
熟悉資料庫管理程式(mySQL&php)Web伺服器架設
熟悉Google , Yahoo 的 API and Widgets tools 的設計
- 熟悉資料探勘及機器學習演算法的應用
依教育部補助大專校院研究人才延攬方案經費審查作業要點辦理
擬聘任期間：98/09/01-99/07/31
【聯絡人/連絡方式】
意者請將履歷表、自傳、畢業證書影本及成績單等資料，Email計畫主持人。
意者請儘早投遞履歷，隨到隨審；如有合適人選，即不再收件。
條件符合者邀請面談，應徵資料恕不退件及函覆。
收件截止日：98.08.31
2009年4月22日
2009年4月14日
2009.04.13 Integrating Web Query Results: Holistic Schema Matching
Integrating web query results: holistic schema matching
Full text
Pdf (368 KB)
Source Conference on Information and Knowledge Management
這次報告的主題是schema matching，而這篇的主題不是提出一個新的方法而是在現有的方法作效能的改善別且希望可以多到多來源網站的schema matching。
Approach:
1.兩個網站中產生Query Result的資料格式呈現方法皆不同，某兩個屬性值雖然不同，但是可能是屬於同一類，卻因為可能沒有包含語意的Label，所以可能無法match，此時，可以利用第三方網站的資料格式去做一個連結。
譬如：
A：有一個A1欄位值是「Paperback」 C:有一個C1欄位值是「Format: Handcover」這兩個字串值如果比較的話，相似度理論上是很低的，但是他們確是屬於同一種欄位，因此此時若有第三方來當一個中間Link的話，B:有一個B1欄位值是「Handcover」，這樣A1跟C1這兩個資料欄位就可以對應到了。
2.資料格式的全部欄位中，可以觀察出一些Constraint，譬如說：作者欄位大都跟隨在書名後面，而特價永遠小於等於原價，另外到達時間晚於起飛時間，這些Contraints對schema matching的準確率是非常有幫助的。
所以他們主要是以欄位作為matching的一個基本單位
最後的實驗結果，可以明顯看出他們的方法的確贏過其他方法（ClusMatch, ChainMatch, ProgMatch, InitMatch) ，在Source只有兩個的時後，平均的準確率還可以到達九成五左右。
不過數學式子的部分還要多看幾次之後，再補上我自己的解釋方法。
以下是我這次的簡報，建議演算法式子的部分參考原始論文：
Full text
Pdf (368 KB) Source Conference on Information and Knowledge Management
這次報告的主題是schema matching，而這篇的主題不是提出一個新的方法而是在現有的方法作效能的改善別且希望可以多到多來源網站的schema matching。
Approach:
1.兩個網站中產生Query Result的資料格式呈現方法皆不同，某兩個屬性值雖然不同，但是可能是屬於同一類，卻因為可能沒有包含語意的Label，所以可能無法match，此時，可以利用第三方網站的資料格式去做一個連結。
譬如：
A：有一個A1欄位值是「Paperback」 C:有一個C1欄位值是「Format: Handcover」這兩個字串值如果比較的話，相似度理論上是很低的，但是他們確是屬於同一種欄位，因此此時若有第三方來當一個中間Link的話，B:有一個B1欄位值是「Handcover」，這樣A1跟C1這兩個資料欄位就可以對應到了。
2.資料格式的全部欄位中，可以觀察出一些Constraint，譬如說：作者欄位大都跟隨在書名後面，而特價永遠小於等於原價，另外到達時間晚於起飛時間，這些Contraints對schema matching的準確率是非常有幫助的。
所以他們主要是以欄位作為matching的一個基本單位
- the content of a field
- the kinds of fields
- the constraints of fields
最後的實驗結果，可以明顯看出他們的方法的確贏過其他方法（ClusMatch, ChainMatch, ProgMatch, InitMatch) ，在Source只有兩個的時後，平均的準確率還可以到達九成五左右。
不過數學式子的部分還要多看幾次之後，再補上我自己的解釋方法。
以下是我這次的簡報，建議演算法式子的部分參考原始論文：
20090411
View more presentations from xoanon.
訂閱：
文章 (Atom)
