With explicit profiling, the users

With explicit profiling, the users themselves do the profiling work by either specifying search preferences up front, or by providing personal relevance feedback such as rating returned search results. Chirita et al [22] use individual user profiles which are defined by the searcher through ODP1 web directory categories to re-rank results according to the distance between the profile and ODP categories for each result. They investigate a number of different distance metrics, and report the findings of a live user evaluation that shows that their personalized approach is capable of more relevant result rankings than standard Google search. One of the drawbacks of relying on ODP categories in this way however is that only a small proportion of the web is categorised in the ODP and so many of the returned search results have no category information to base the re-ranking on. Ma et al [48] propose a similar approach whereby user profiles are explicitly expressed through ODP categories, except they re-rank search results based on the cosine similarity between result page content and the ODP directory category profiles. In this way the search results themselves are not required to be categorised in the ODP.

In contrast, ifWeb [2] builds user profiles using a less structured approach through keywords, free-text descriptions, and web page examples provided by the user to express their specific information needs, which are stored as a weighted semantic network of concepts. ifWeb also takes advantage of explicit relevance feedback where the searcher provides result ratings that are used to refine and update their profile.

A similar approach is used by the Wifs system [55] in which profiles initially built using terms selected from a list can be subsequently improved with feedback on viewed documents provided by the users. The major drawback with these types of explicit approaches to profiling is that the majority of users are reluctant to make the extra effort in providing feedback [16]. Furthermore, searchers may find it difficult to categorise their information needs and preferences accurately in the first place.

A potentially more successful approach to profiling is to infer user preferences implicitly (implicit profiling). As in the work of [22], Liu et al [47] also use hierarchical categories from the ODP to represent a searcher’s profile, except in this work the categories are chosen automatically based on past search behaviour such as previously submitted queries and the content of selected result documents. A number of different learning algorithms are analysed for mapping this search behaviour onto the ODP categories, including those based on Linear Least Squares Fit (LLSF) [107], the Rocchio relevance feedback algorithm [78], and k-Nearest Neighbor (kNN) [28]. In a related approach, [103] use statistical language methods to mine contextual information from this type of long-term search history to build a language model based profile, and [69] also infer user preferences based on past behaviour, this time using the browser cache of visited pages to infer subject areas that the user is interested in. These subject areas, or categories, are combined into a hierarchical user profile where each category is also weighted according to the length of time the user spent viewing the pages corresponding to the category.

The above are all examples of long-term user profiles that seek to capture information about the user’s preferences over an extended period of time, certainly

Results (Thai) 1:

มีการสร้างโพรไฟล์ชัดเจน ผู้ใช้ตัวเองทำงานสร้างโพรไฟล์ใดลักษณะระบุขึ้นหน้าที่ค้นหา หรือ โดยการให้ผลป้อนกลับส่วนบุคคลเกี่ยวข้องเช่นการประเมินผลลัพธ์การค้นหา Chirita et al [22] ใช้โพรไฟล์ผู้ใช้ซึ่งกำหนดไว้ โดยผู้ค้นหาผ่านทาง ODP1 เว็บไดเรกทอรีประเภทการจัดอันดับผลใหม่ตามระยะห่างระหว่างค่า ODP ประเภทสำหรับแต่ละผลลัพธ์ พวกเขาตรวจสอบจำนวนการวัดระยะทางที่แตกต่างกัน และรายงานผลการวิจัยการประเมินผู้ใช้ที่อยู่ที่แสดงว่าวิธีการของพวกเขาเป็นความสามารถในการจัดอันดับผลมากกว่าค้นหามาตรฐาน ข้อเสียของการพึ่งพา ODP ประเภทวิธีนี้อย่างใดอย่างหนึ่งแต่เป็นที่เฉพาะเป็นจัดสัดส่วนเล็ก ๆ ของเว็บใน ODP การ และของผลลัพธ์การค้นหาส่งคืนมีรายละเอียดจะใช้เป็นพื้นฐานในการจัดอันดับในประเภทไม่ Ma et al [48] เสนอวิธีการคล้ายกันโดยโพรไฟล์ผู้ใช้ได้อย่างชัดเจนแสดงผ่าน ODP ประเภท ยกเว้นจะจัดอันดับผลการค้นหาโคไซน์คล้ายคลึงระหว่างเนื้อหาของหน้าผลลัพธ์และโพรไฟล์ประเภทไดเรกทอรี ODP ใหม่ วิธีนี้ ผลการค้นหาตัวเองจะไม่ต้องถูกจัดในแบบ ODP ในทางตรงกันข้าม ifWeb [2] สร้างโพรไฟล์ผู้ใช้ที่ใช้วิธีการแบบโครงสร้างน้อยผ่านคำหลัก คำอธิบายข้อความอิสระ และตัวอย่างเว็บเพจโดยผู้ใช้จะแสดงข้อมูลเฉพาะความ ซึ่งจะถูกเก็บเป็นเครือข่ายของแนวคิดทางตรรกถ่วงน้ำหนัก ifWeb ยังใช้ประโยชน์จากความคิดเห็นเกี่ยวข้องอย่างชัดเจนที่ผู้ค้นหาจะแสดงผลการจัดอันดับที่ใช้ในการกลั่นกรอง และปรับปรุงโปรไฟล์ของพวกเขา ใช้วิธีคล้ายกัน โดยระบบ Wifs [55] ซึ่งเริ่มสร้างโดยใช้เงื่อนไขเลือกจากรายการส่วนกำหนดค่าสามารถมาปรับปรุงกับคำติชมดูเอกสารโดยผู้ใช้ ข้อเสียเปรียบสำคัญกับแนวทางที่ชัดเจนเพื่อสร้างโพรไฟล์เหล่านี้คือส่วนใหญ่ของผู้ใช้ไม่ทำให้ความพยายามพิเศษในการให้ผลป้อนกลับ [16] นอกจากนี้ ผู้อาจพบว่ายากที่จะ categorise ของข้อมูลจำเป็นและความถูกต้องในสถานที่แรก A potentially more successful approach to profiling is to infer user preferences implicitly (implicit profiling). As in the work of [22], Liu et al [47] also use hierarchical categories from the ODP to represent a searcher’s profile, except in this work the categories are chosen automatically based on past search behaviour such as previously submitted queries and the content of selected result documents. A number of different learning algorithms are analysed for mapping this search behaviour onto the ODP categories, including those based on Linear Least Squares Fit (LLSF) [107], the Rocchio relevance feedback algorithm [78], and k-Nearest Neighbor (kNN) [28]. In a related approach, [103] use statistical language methods to mine contextual information from this type of long-term search history to build a language model based profile, and [69] also infer user preferences based on past behaviour, this time using the browser cache of visited pages to infer subject areas that the user is interested in. These subject areas, or categories, are combined into a hierarchical user profile where each category is also weighted according to the length of time the user spent viewing the pages corresponding to the category. The above are all examples of long-term user profiles that seek to capture information about the user’s preferences over an extended period of time, certainly

Results (Thai) 2:

ด้วยโปรไฟล์ชัดเจนผู้ใช้เองจะทำงานโปรไฟล์โดยทั้งระบุการตั้งค่าการค้นหาขึ้นด้านหน้าหรือโดยการให้ข้อเสนอแนะความเกี่ยวข้องส่วนบุคคลเช่นคะแนนผลลัพธ์การค้นหา Chirita et al, [22] ใช้โปรไฟล์ผู้ใช้แต่ละคนซึ่งจะถูกกำหนดโดยค้นหาผ่าน ODP1 ประเภทสารบบเว็บไปที่ผลการจัดอันดับอีกครั้งตามระยะห่างระหว่างรายละเอียดและโอประเภทผลแต่ละ พวกเขาตรวจสอบจำนวนของตัวชี้วัดระยะทางที่แตกต่างกันและรายงานผลการประเมินผลการใช้ชีวิตอยู่ที่แสดงให้เห็นว่าวิธีการส่วนบุคคลของพวกเขามีความสามารถในการจัดอันดับผลที่เกี่ยวข้องมากขึ้นกว่าการค้นหาของ Google มาตรฐาน หนึ่งในข้อเสียของการพึ่งพาโอประเภทในทางที่ แต่เป็นเพียงส่วนเล็ก ๆ ของเว็บจะแบ่งโอและอื่น ๆ อีกมากมายของผลการค้นหากลับไม่มีข้อมูลประเภทฐานอีกครั้งการจัดอันดับในครั้งนี้ Ma et al, [48] เสนอวิธีการที่คล้ายกันโดยโปรไฟล์ผู้ใช้จะแสดงออกอย่างชัดเจนผ่านประเภทโอยกเว้นพวกเขาอีกครั้งผลการค้นหาอันดับขึ้นอยู่กับความคล้ายคลึงกันระหว่างโคไซน์เนื้อหาของหน้าผลและรูปแบบหมวดหมู่ไดเรกทอรีโอ ด้วยวิธีนี้ผลการค้นหาตัวเองไม่จำเป็นต้องได้รับการแบ่งโอ. ในทางตรงกันข้าม ifWeb [2] สร้างโปรไฟล์ผู้ใช้โดยใช้วิธีการที่มีโครงสร้างน้อยโดยใช้คำสำคัญคำอธิบายฟรีข้อความและเว็บตัวอย่างหน้าให้บริการโดยผู้ใช้ในการแสดง ข้อมูลเฉพาะของพวกเขาต้องการที่จะถูกเก็บเป็นความหมายของเครือข่ายถ่วงน้ำหนักของแนวคิด ifWeb ยังใช้ประโยชน์จากข้อเสนอแนะที่เกี่ยวข้องอย่างชัดเจนให้ผู้ค้นหาการจัดอันดับผลที่ใช้ในการปรับแต่งและปรับปรุงรายละเอียดของพวกเขา. วิธีการที่คล้ายกันถูกนำมาใช้โดยระบบ Wifs [55] ซึ่งในโปรไฟล์สร้างขึ้นครั้งแรกโดยใช้คำที่เลือกจากรายการสามารถต่อมา การปรับปรุงที่มีความคิดเห็นเกี่ยวกับเอกสารที่มีให้ดูได้โดยผู้ใช้ อุปสรรคสำคัญกับประเภทนี้ของวิธีการที่ชัดเจนที่จะเป็นโปรไฟล์ที่ผู้ใช้ส่วนใหญ่ไม่เต็มใจที่จะให้ความพิเศษในการให้ข้อเสนอแนะ [16] นอกจากนี้ผู้ค้นหาอาจพบว่ามันยากที่จะจำแนกข้อมูลความต้องการและความต้องการของพวกเขาได้อย่างถูกต้องในสถานที่แรก. วิธีการที่อาจเกิดขึ้นที่ประสบความสำเร็จมากขึ้นในโปรไฟล์คือการสรุปค่าของผู้ใช้โดยปริยาย (โปรไฟล์นัย) ในขณะที่การทำงานของ [22], Liu et al, [47] นอกจากนี้ยังใช้หมวดหมู่ตามลำดับชั้นจากโอที่จะเป็นตัวแทนรายละเอียดของผู้ค้นหายกเว้นในงานนี้ประเภทจะถูกเลือกโดยอัตโนมัติตามพฤติกรรมการค้นหาที่ผ่านมาเช่นคำสั่งที่ส่งมาก่อนหน้านี้และเนื้อหา ของเอกสารผลการคัดเลือก จำนวนของขั้นตอนวิธีการเรียนรู้ที่แตกต่างกันสำหรับการทำแผนที่การวิเคราะห์พฤติกรรมการค้นหานี้ลงในประเภทโอรวมทั้งผู้ที่อยู่บนพื้นฐานของสองน้อยเชิงเส้นพอดี (LLSF) [107] Rocchio ความเกี่ยวข้องขั้นตอนวิธีการตอบรับ [78] และ k-เพื่อนบ้านที่ใกล้ที่สุด (kNN) [28] ในแนวทางที่เกี่ยวข้อง [103] ใช้วิธีการทางสถิติเพื่อภาษาข้อมูลบริบทเหมืองจากชนิดของประวัติศาสตร์การค้นหาในระยะยาวนี้เพื่อสร้างรูปแบบภาษาตามรายละเอียดและ [69] นอกจากนี้ยังเห็นค่าของผู้ใช้ขึ้นอยู่กับพฤติกรรมที่ผ่านมาโดยใช้เวลานี้ แคชเบราว์เซอร์ของหน้าเว็บที่เข้าเยี่ยมชมเพื่อสรุปเรื่องพื้นที่ว่าผู้ใช้มีความสนใจใน. สาขาวิชาเหล่านี้หรือประเภทจะรวมกันเป็นโปรไฟล์ของผู้ใช้ลำดับชั้นที่แต่ละประเภทจะมีน้ำหนักยังเป็นไปตามระยะเวลาที่ผู้ใช้ที่ใช้ดูหน้าสอดคล้องกับ หมวดหมู่. ดังกล่าวข้างต้นเป็นตัวอย่างของโปรไฟล์ผู้ใช้ระยะยาวที่ต้องการที่จะเก็บข้อมูลเกี่ยวกับการตั้งค่าของผู้ใช้ในระยะเวลานานของเวลาอย่างแน่นอน

Results (Thai) 3:

กับชัดเจนการผู้ใช้เองทำโปรไฟล์งาน โดยระบุการค้นหาการตั้งค่าล่วงหน้า หรือให้ข้อเสนอแนะความเกี่ยวข้องส่วนบุคคล เช่น การจัดอันดับส่งกลับผลลัพธ์การค้นหา .chirita et al [ 22 ] การใช้งานแต่ละโปรไฟล์ผู้ใช้ที่กำหนด โดยการค้นหาผ่านไดเรกทอรีเว็บประเภทอีกครั้ง odp1 อันดับผลตามระยะห่างระหว่างขอบและประเภท ODP สำหรับแต่ละผล พวกเขาตรวจสอบตัวเลขวัดระยะทางที่แตกต่างกันและรายงานผลการประเมินของผู้ใช้อยู่ นั่นแสดงให้เห็นว่า วิธีการแบบส่วนบุคคลของพวกเขามีความสามารถในการจัดอันดับผลการค้นหาของ Google ที่เกี่ยวข้องมากกว่ามาตรฐานหนึ่งในข้อเสียของการพึ่งพา ODP ประเภทในลักษณะนี้ แต่เป็นเพียงส่วนน้อยของเว็บจะถูกจัดประเภทใน ODP และส่งกลับผลลัพธ์มากมายไม่มีหมวดหมู่ข้อมูลฐานเรื่องการจัดอันดับบน ma et al [ 48 ] นำเสนอแนวคิดที่คล้ายกันโดยโปรไฟล์ผู้ใช้จะแสดงผ่านประเภท ODP อย่างชัดเจน ,ยกเว้นที่พวกเขาอันดับผลการค้นหาตามโคไซน์ ความคล้ายคลึงกันระหว่างเนื้อหาหน้าผลและประเภท ODP ไดเรกทอรีโปรไฟล์ ในวิธีนี้การค้นหาด้วยตนเอง ไม่ต้องจัดหมวดหมู่ใน ODP .

ส่วน ifweb [ 2 ] สร้างโปรไฟล์ผู้ใช้การใช้น้อยกว่าวิธีการโครงสร้างผ่านคำหลักและคำอธิบายข้อความฟรีและตัวอย่างหน้าเว็บให้ผู้ใช้แสดงความต้องการที่เฉพาะเจาะจงของพวกเขา , ซึ่งจะถูกเก็บไว้ที่เครือข่ายความหมายแบบแนวคิด ifweb ยังใช้ประโยชน์จากข้อมูลที่ค้นหามีความเกี่ยวข้องอย่างชัดเจน ผลคะแนนที่ใช้ในการปรับแต่งและปรับปรุงโปรไฟล์ของพวกเขา

วิธีการที่คล้ายกันจะถูกใช้โดยระบบ wifs [ 55 ] ซึ่งในโปรไฟล์ตอนแรกสร้างขึ้นโดยใช้เงื่อนไขที่เลือกจากรายการที่สามารถภายหลังการปรับปรุงกับความคิดเห็นที่ดูเอกสารให้โดยผู้ใช้ ข้อเสียเปรียบหลักกับชนิดเหล่านี้ของวิธีการที่ชัดเจนในการเป็นผู้ใช้ส่วนใหญ่จะไม่เต็มใจที่จะให้ความพยายามพิเศษในการให้ข้อเสนอแนะ [ 16 ] นอกจากนี้ค้นหาอาจพบมันยากที่จะจัดประเภทความต้องการของพวกเขาและการตั้งค่าที่ถูกต้องในสถานที่แรก

วิธีการประสบความสำเร็จอาจเพิ่มเติมเพื่อสรุปการตั้งค่าโปรไฟล์ผู้ใช้โดยปริยาย ( แร่งไหม ) ในการทำงานของ [ 22 ] , Liu et al [ 47 ] นอกจากนี้ใช้ประเภทลำดับชั้นจาก ODP เป็นตัวแทนของค้นหาประวัตินอกจากในงานนี้ประเภทจะถูกเลือกโดยอัตโนมัติ ขึ้นอยู่กับพฤติกรรมการค้นหาอดีต เช่น เคยส่งแบบสอบถามและเนื้อหาของเอกสารซึ่งได้ผล จำนวนของขั้นตอนวิธีการเรียนรู้ที่แตกต่างกัน วิเคราะห์พฤติกรรมการค้นหาแผนที่นี้บน ODP ประเภทรวมทั้งตามเชิงเส้นกำลังสองน้อยที่สุดพอดี ( llsf ) [ 107 ] , rocchio ขั้นตอนวิธี [ 78 ] , ความคิดเห็น ,และ การเพื่อนบ้านใกล้ที่สุด ( knn ) [ 28 ] ในส่วนที่เกี่ยวข้องกับวิธีการ [ 103 ] สถิติการใช้ภาษา วิธีการของข้อมูลตามบริบทจากประวัติศาสตร์การค้นหาระยะยาวประเภทนี้เพื่อสร้างแบบจำลองภาษาโปรไฟล์ตามและ [ 69 ] ยังอนุมานความชอบของผู้ใช้บนพื้นฐานของพฤติกรรมที่ผ่านมา ซึ่งเวลาที่ใช้ในเบราว์เซอร์แคชของหน้าเว็บที่เข้าชม สรุปว่าเรื่องพื้นที่ที่ผู้ใช้มีความสนใจในเหล่านี้ เรื่องพื้นที่ หรือประเภท จะรวมกันเป็นลำดับชั้นโปรไฟล์ผู้ใช้ที่แต่ละประเภทก็หนักตามความยาวของเวลาที่ผู้ใช้ใช้เวลาดูที่หน้าหมวดหมู่

ข้างบนตัวอย่างทั้งหมดของระยะยาวที่โปรไฟล์ผู้ใช้ที่แสวงหาเพื่อจับข้อมูลเกี่ยวกับการตั้งค่าของผู้ใช้ผ่านระยะเวลานาน แน่นอน