beyond the bounds of a single searc

beyond the bounds of a single search session. The alternative is to capture shortterm profiling information, typically related to the particular context of the current information finding task. For example, the UCAIR system [86] concentrates on recently submitted queries and selected results to build a short-term profile that is used to personalize results for the current search task. When a new search session is initiated, a new profile for the user and their current information requirements is created. Similarly Watson [14] and IntelliZap [31] both generate short-term profiles from current context information. Watson identifies informative terms in local documents that the user is editing and web pages that are being browsed, and uses these to modify the user’s search queries to personalize results. IntelliZap users initiate a search by selecting a textual query from within a document they are currently viewing, and the search is then guided by additional terms occurring in close proximity to the query terms in the document. In these examples, the profiles guiding the personalization of search results capture context which is pertinent to the users immediate, and possibly temporary, information needs.

The availability of profile and/or context information is the pre-requisite for personalization and there have been a wide range of techniques developed for utilizing profile information to influence different aspects of search experience. These techniques are not limited to influencing the retrieval and ranking of search results, for example, and in fact there has been research on how profiles can be used to influence many other stages in the web search pipeline including the spidering and indexing [32, 44, 34, 29] of raw page content, and query generation [3, 7, 56]. For example, one common way to personalize search results based on a user profile involves using the profile to re-write, elaborate, or expand the original search query so that it returns more specific results that better reflect search interests or context. For example, Koutrika and Ioannidis [43] propose an algorithm they call QDP (Query Disambiguation and Personalization) to expand a query submitted by the user according to a user profile represented by weighted relationships between terms. These relationships take the form of operators between terms, such as conjunction, disjunction, negation and substitution, and so in effect the user’s profile provides a set of personalized query rewriting rules, which can be applied to the submitted query before it is dispatched to the search engine. Croft et al [26] describe how individualized language models can be used as user profiles with a view to supporting query expansion and relevance feedback. There is also much research in the area of query expansion and disambiguation from the perspective of short term, session-based user profiles from a relevance feedback standpoint which is also highly relevant to work in personalized search [82]. This perspective is not so much targeted at personalizing search per se, but rather at improving search at the level of independent search sessions and many of these approaches can be expanded to encompass longer-term personalized search profiles.

However, perhaps the most popular way to personalize search through user profiles is to directly influence the ranking of search results. For example, Jeh and Widom [38] do this by introducing a personalized version of PageRank [13] for setting the query-independent priors on web pages based on user profiles. These profiles consist of a collection of preferred pages with high PageRank values which are explicitly chosen by the user, and used to compute a personalized PageRank score for any arbitrary page based on how related it is to these highly scored preferred pages. Chirita et al [23] build on this idea by automatically choosing these profile pages by analysing the searcher’s bookmarked pages and past surfing behaviour, along with a HubFinder algorithm that finds related pages with high PageRank scores which are suitable for driving the personalized PageRank algorithm. Both of these approaches are based on long-term user profiles drawn from an extended period of the user’s browsing history.

Chang et al [19] propose a personalized version of Kleinberg’s HITS [39] ranking algorithm. Their technique harnesses short-term feedback from the searcher, either explicitly or implicitly, to build a profile consisting of a personalized authority list which can then be used to influence the HITS algorithm to personalize the ranking of search results. Experimental results using a corpus of computer science research papers shows that personalized HITS is able to significantly improve result ranking in line with the searcher’s preferences, even with only minimal searcher feedback. Another popular ranking-based approach is the re-ranking of results returned from some underlying, generic web search engine according to searcher preferences without requiring access to the inner workings of the search engine. Speretta and Gauch [97] create individual user profiles by recording the queries and selected result snippets from results returned by Google which are classified into weighted concepts from a reference concept hierarchy. The results from future Google searches are then re-ranked according to the similarity between each result and the searcher’s profile concept hierarchy. Rohini and Varma [79] also present a personalized search method where results from an underlying web search engine are re-ranked according to a collaborative filtering technique that harnesses implicitly generated user profiles.

All of the above techniques focus on harnessing single user profiles (the preferences of the target searcher) to personalize that user’s search experience. In recommender systems research it is common to take advantage of groups of related profiles when it comes to generating recommendations for a target individual. For instance, the well known collaborative filtering approach to recommendation explicitly uses the preferences of a group of users who are similar to the target user when it comes to generating recommendations [77, 85, 46]; see also [35, 52] and Chapter 21. Similar ideas are beginning to influence web search and, indeed, in Section 18.4 we will describe one particular approach that harnesses the preferences of communities of users, albeit in the form of single community profiles rather than a collection of individual user profiles; see also [92, 90]. Sugiyama et al. [101] propose a method whereby long-term user profiles are constructed from similar searchers according to browsing history using a modified collaborative filtering algorithm. The idea is that searchers who issued similar queries and selected similar results in the past can benefit from sharing their search preferences. Sun et al. [102] propose a similar approach called CubeSVD which is also based on collaborative filtering to personalize web search results by analysing the correlation of users, queries and results in clickthrough data. Both these methods involve the identification of similar searchers to the current searcher in order to create a more comprehensive user profile for the personalizing web search that also leverages the profiles of similar users during result

recommendation. Each searcher is profiled in terms of their prior queries and result selections (once again these are long-term profiles). In response to a new target query, recommendations are derived from the user’s own personal profile, but in addition, the query is propagated through the peer-to-peer search network so that connected users can also suggest relevant results based on their prior search behaviours. The resulting recommendations are aggregated and ranked according to their relevance to the target query and also in terms of the strength of the trust relationship between the target user and the relevant peer; see also recent trust-based recommendation techniques by [63, 65, 64, 66, 67, 62] and Chapter 20.

Results (Thai) 1:

นอกเหนือจากขอบเขตของเซสชันเดียวค้นหา ทางเลือกจะจับ shortterm สร้างโพรไฟล์ข้อมูล โดยทั่วไปที่เกี่ยวข้องกับบริบทเฉพาะของงานค้นหาข้อมูลปัจจุบัน ตัวอย่าง ระบบ UCAIR [86] เน้นเพิ่งส่งแบบสอบถาม และเลือกผลลัพธ์เพื่อสร้างโพรไฟล์ระยะสั้นที่ใช้ในการกำหนดผลลัพธ์สำหรับภารกิจค้นหาปัจจุบัน เมื่อเริ่มต้นเซสชันการค้นหาใหม่ มีสร้างโพรไฟล์ใหม่สำหรับผู้ใช้และข้อกำหนดข้อมูลปัจจุบัน ในทำนองเดียวกัน Watson [14] และ IntelliZap [31] ทั้งสองสร้างโพรไฟล์ระยะสั้นจากข้อมูลบริบทปัจจุบัน Watson ระบุเงื่อนไขข้อมูลในเอกสารเฉพาะที่เป็นการแก้ไขผู้ใช้และเว็บเพจที่มีการเรียกดู และใช้เหล่านี้การปรับเปลี่ยนของผู้ค้นหาจะให้ผลลัพธ์ ผู้ใช้ IntelliZap เริ่มต้นการค้นหา โดยการเลือกแบบสอบถามจากภายในเอกสารที่กำลังดู และจากนั้นมีการแนะนำการค้นหา โดยเงื่อนไขเพิ่มเติมที่เกิดขึ้นกับคำถามในเอกสาร ในตัวอย่างเหล่านี้ ส่วนกำหนดค่าที่แนะนำให้ตั้งค่าผลลัพธ์การค้นหาจับบริบทที่เกี่ยวข้องกับความต้องการได้ทันที และอาจเป็นชั่ว คราว ข้อมูลผู้ใช้ พร้อมข้อมูลประวัติและ/หรือบริบทมี requisite ก่อนส่วนบุคคล และมีเทคนิคที่พัฒนาขึ้นสำหรับการใช้โพรไฟล์ข้อมูลชวนค้นหาประสบการณ์ด้านต่าง ๆ หลากหลาย เทคนิคเหล่านี้จะไม่มีอิทธิพลต่อการเรียก และอันดับของผลลัพธ์การค้นหา เช่น และในความเป็นจริงมีการวิจัยเกี่ยวกับวิธีการใช้โพรไฟล์จูงขั้นอื่น ๆ ในเว็บค้นหาไปป์ไลน์รวมถึงการ spidering และการทำดัชนี [32, 44, 34, 29] เนื้อหาหน้าดิบ และสร้างแบบสอบถาม [3, 7, 56] ตัวอย่าง วิธีการทั่วไปเพื่อให้ผลลัพธ์การค้นหาตามโพรไฟล์ผู้ใช้เกี่ยวข้องกับการใช้โพรไฟล์ การเขียนใหม่ อธิบาย ขยายหาต้นฉบับที่จะส่งกลับผลลัพธ์เฉพาะที่ดีขึ้น ถึงสนใจค้นหาหรือบริบท ตัวอย่าง Koutrika และ Ioannidis [43] เสนอขั้นตอนวิธีพวกเขาเรียก QDP (แก้ความกำกวมแบบสอบถามและส่วนบุคคล) เพื่อขยายแบบสอบถามที่ส่ง โดยผู้ใช้ตามโพรไฟล์ผู้ใช้ที่แสดง โดยถ่วงน้ำหนักความสัมพันธ์ระหว่างเงื่อนไข ความสัมพันธ์เหล่านี้ใช้รูปแบบของผู้ประกอบการระหว่างเงื่อนไข ร่วม disjunction ลบ และ แทน และดังนั้นผลโพรไฟล์ของผู้ใช้ชุดของแบบสอบถามเขียนกฎ ซึ่งสามารถใช้แบบสอบถามส่งก่อนถูกส่งไปค้นหา Croft et al [26] อธิบายภาษาวิธีจำนวนรุ่นที่สามารถใช้เป็นส่วนกำหนดค่าผู้ใช้มุมมองที่สนับสนุนการขยายตัวและเกี่ยวข้องติชมสอบถาม นอกจากนี้ยังมีงานวิจัยมากในพื้นที่ขยายแบบสอบถามและแก้ความกำกวมจากมุมมองของสั้น โพรไฟล์ผู้ใช้ที่ใช้เซสชันจากมองคำติชมเกี่ยวข้องซึ่งเป็นคำที่เกี่ยวข้องกับการทำงานในการค้นหาส่วนบุคคล [82] มุมมองนี้ไม่มากส่วนบุคคลค้นหาต่อ se แต่ค่อนข้างที่เพิ่มการค้นหาระดับอิสระค้นหา เซสชันและหลายแนวทางเหล่านี้สามารถขยายเพื่อรอบโพรไฟล์ส่วนตัวค้นหาเยือน อย่างไรก็ตาม อาจเป็นวิธีนิยมมากที่สุดเพื่อทำการค้นหาโดยใช้โพรไฟล์ผู้ใช้ได้โดยตรงมีผลต่อการจัดอันดับของผลลัพธ์การค้นหา เจะห์และ Widom [38] ทำเช่น นี้ โดยการแนะนำรูปแบบของรถเข้า [13] การตั้ง priors อิสระแบบสอบถามบนเว็บเพจตามโพรไฟล์ผู้ใช้ โพรไฟล์เหล่านี้ประกอบด้วยชุดหน้าต้องมีค่ารถเข้าสูงอย่างชัดเจนเลือก โดยผู้ใช้ และใช้ในการคำนวณคะแนนรถเข้าส่วนหน้ากำหนดใด ๆ ตามที่เกี่ยวข้องอย่างไรมันถึงสูงทำหน้าต้อง Chirita et al [23] สร้างความคิดนี้ โดยเลือกหน้าโพรไฟล์เหล่านี้โดยอัตโนมัติ โดยการวิเคราะห์ของผู้ค้นหาที่คั่นหนังสือหน้า และ พฤติกรรมท่อง พร้อมขั้นตอนวิธี HubFinder ซึ่งค้นหาหน้าที่เกี่ยวข้องกับรถเข้าคะแนนสูงซึ่งเหมาะกับการขับรถส่วนบุคคลรถเข้าอัลกอริทึม ที่ผ่านมา ทั้งสองวิธีเหล่านี้จะขึ้นอยู่กับโพรไฟล์ผู้ใช้ระยะยาวที่ออกของประวัติการเรียกดูของผู้ใช้ ช้าง et al [19] เสนอ [39] การจัดอันดับของ Kleinberg ชมอัลกอริทึมแบบส่วนบุคคล เทคนิคการจูงระยะสั้นผลป้อนกลับจากผู้ค้นหา อย่างชัดเจน หรือ นัย สร้างโพรไฟล์ที่ประกอบด้วยรายชื่อหน่วยงานส่วนบุคคลซึ่งสามารถนำไปใช้จะมีผลต่อปริมาณการใช้อัลกอริทึมเพื่อทำการจัดอันดับของผลลัพธ์การค้นหา ผลการทดลองใช้คอร์พัสคริของรายงานการวิจัยวิทยาศาสตร์คอมพิวเตอร์แสดงว่าปริมาณการใช้ส่วนบุคคลสามารถปรับปรุงผลการจัดอันดับ โดยกำหนดลักษณะของผู้ค้นหา แม้จะมีความคิดเห็นของผู้ค้นหาน้อยที่สุดเท่าอย่างมีนัยสำคัญ อีกวิธีใช้การจัดอันดับยอดนิยมอยู่ที่การจัดอันดับของผลลัพธ์ที่ส่งกลับจากบางทั่วไป ต้นแบบเว็บโปรแกรมค้นหาตามลักษณะผู้ค้นหาโดยไม่ต้องเข้าทำงานภายในของเครื่องมือค้นหา Speretta และ Gauch [97] สร้างโพรไฟล์ผู้ใช้ โดยแบบสอบถามและผลการเลือกโค้ดจากผลลัพธ์ที่ได้จาก Google ซึ่งจะแบ่งเป็นแนวคิดที่ถ่วงน้ำหนักจากลำดับชั้นการอ้างอิงแนวคิด อีกครั้งแล้วมีลำดับผลลัพธ์จากการค้นหาของ Google ในอนาคตตามความคล้ายคลึงกันระหว่างแต่ละผลและลำดับชั้นของผู้ค้นหาประวัติแนวคิด ลฮิโรไฮนิและ Varma [79] ยังแสดงวิธีการค้นหาบุคคลที่ผลจากเว็บต้นแบบการค้นหาเป็นการจัดอันดับตามเทคนิคกรองร่วมที่จูงนัยสร้างโพรไฟล์ผู้ใช้ เทคนิคด้านบนทั้งหมดเน้นควบคุมโพรไฟล์ผู้ใช้เดี่ยว (ลักษณะของผู้ค้นหาเป้าหมาย) เพื่อปรับแต่งประสบการณ์การค้นหาของผู้ใช้ ในการวิจัยระบบผู้แนะนำ ได้ทั่วไปการใช้ประโยชน์จากกลุ่มโพรไฟล์ที่เกี่ยวข้องเมื่อมันมาเพื่อสร้างคำแนะนำสำหรับบุคคลเป้าหมาย ตัวอย่าง การรู้จักร่วมมือกรองวิธีแนะนำอย่างชัดเจนใช้การกำหนดลักษณะของกลุ่มผู้ใช้ที่คล้ายกับผู้ใช้เป้าหมายเมื่อมันมาเพื่อสร้างคำแนะนำ [77, 85, 46]; ดู [35, 52] และบทที่ 21 ความคิดที่คล้ายกันจะเริ่มมีผลต่อการค้นหาเว็บ และ แน่นอน ในส่วน 18.4 เราจะอธิบายวิธีการหนึ่งที่จูงกำหนดลักษณะของชุมชนของผู้ใช้ แม้ว่าในรูปแบบของโพรไฟล์เดียวชุมชนแทนที่เป็นชุดของโพรไฟล์ผู้ใช้ ดู [92, 90] Sugiyama et al. [101] เสนอวิธีการโดยสร้างโพรไฟล์ผู้ใช้ระยะยาวจากผู้ที่คล้ายกันตามประวัติการเรียกดูโดยใช้อัลกอริธึมกรองร่วมกันแก้ไข ความคิดเป็นว่า ผู้ที่ออกแบบสอบถามที่คล้ายกันและเลือกผลลัพธ์คล้ายในอดีต ได้รับประโยชน์จากการร่วมกันกำหนดลักษณะการค้นหาของพวกเขา ซัน et al. [102] เสนอวิธีการคล้ายกันเรียกว่า CubeSVD ซึ่งยังยึดกรองร่วมกันเพื่อให้ผลลัพธ์การค้นหาเว็บ โดยวิเคราะห์ความสัมพันธ์ของผู้ใช้ แบบสอบถาม และผลลัพธ์ในข้อมูล clickthrough ทั้งสองวิธีเหล่านี้เกี่ยวข้องกับรหัสของผู้คล้ายกับผู้ค้นหาปัจจุบันเพื่อสร้างโพรไฟล์ผู้ใช้สำหรับการค้นหาเว็บ personalizing ที่ยัง ใช้โพรไฟล์ผู้ใช้ที่คล้ายกันระหว่างผล ที่ครอบคลุมมากขึ้น คำแนะนำ แต่ละผู้ค้นหาเป็น profiled ก่อนถามและเลือกผลลัพธ์ (ครั้งนี้เป็นประวัติระยะยาว) ของพวกเขา ตอบแบบสอบถามเป้าหมายใหม่ แนะนำมาจากประวัติส่วนตัวของผู้ใช้เอง แต่ แบบสอบถามถูกเผยแพร่ผ่านทางเครือข่ายเพียร์ทูเพียร์ค้นหาเพื่อให้ผู้ใช้เชื่อมต่อยังสามารถแนะนำเกี่ยวข้องผลลัพธ์ขึ้นอยู่กับพฤติกรรมการค้นหาก่อนหน้านี้ รวม และการจัดอันดับตามความเกี่ยวข้อง กับการสอบถามเป้าหมาย และในแง่ ของความแข็งแกร่งของความสัมพันธ์ความไว้วางใจระหว่างผู้ใช้เป้าหมายและเพียร์เกี่ยวข้อง คำแนะนำได้ ดูเทคนิคการล่าสุดความน่าเชื่อถือตามคำแนะนำ ด้วย [63, 65, 64, 66, 67, 62] และบทที่ 20

Results (Thai) 2:

เกินขอบเขตของเซสชั่นการค้นหาเดียว ทางเลือกคือการเก็บข้อมูลระยะสั้นโปรไฟล์ที่เกี่ยวข้องโดยทั่วไปกับบริบทเฉพาะของข้อมูลที่เป็นปัจจุบันในการหางาน ยกตัวอย่างเช่นระบบ UCAIR [86] มุ่งเน้นที่การส่งคำสั่งเมื่อเร็ว ๆ นี้และผลการเลือกที่จะสร้างรายละเอียดระยะสั้นที่ใช้ในการปรับแต่งผลการค้นหางานปัจจุบัน เมื่อเซสชั่นใหม่จะเริ่มโปรไฟล์ใหม่สำหรับผู้ใช้และความต้องการข้อมูลที่เป็นปัจจุบันของพวกเขาจะถูกสร้างขึ้น ในทำนองเดียวกันวัตสัน [14] และ IntelliZap [31] ทั้งสร้างโปรไฟล์ระยะสั้นจากข้อมูลบริบทปัจจุบัน วัตสันระบุเงื่อนไขในเอกสารข้อมูลท้องถิ่นที่ผู้ใช้จะแก้ไขและหน้าเว็บที่มีการเรียกดูและใช้เหล่านี้เพื่อปรับเปลี่ยนการค้นหาของผู้ใช้ในการปรับแต่งผล ผู้ใช้ IntelliZap เริ่มต้นการค้นหาโดยการเลือกแบบสอบถามเกี่ยวกับใจจากภายในเอกสารที่พวกเขากำลังดูและค้นหาเป็นแนวทางแล้วโดยข้อกำหนดเพิ่มเติมที่เกิดขึ้นในบริเวณใกล้เคียงกับเงื่อนไขการค้นหาในเอกสาร ในตัวอย่างเหล่านี้แนวทางโปรไฟล์ส่วนบุคคลของบริบทจับผลการค้นหาที่เกี่ยวข้องกับผู้ใช้งานได้ทันทีและอาจชั่วคราวข้อมูลความต้องการ. ความพร้อมของรายละเอียดและ / หรือข้อมูลบริบทเป็นก่อนจำเป็นสำหรับส่วนบุคคลและมี หลากหลายของการพัฒนาเทคนิคสำหรับการใช้ข้อมูลรายละเอียดที่มีอิทธิพลต่อลักษณะที่แตกต่างของประสบการณ์ในการค้นหา เทคนิคเหล่านี้จะไม่ จำกัด ที่มีอิทธิพลต่อการดึงและการจัดอันดับของผลการค้นหาเช่นและในความเป็นจริงมีการวิจัยเกี่ยวกับวิธีการรูปแบบสามารถใช้ในการมีอิทธิพลต่อการขั้นตอนอื่น ๆ อีกมากมายในท่อค้นหาเว็บรวมทั้ง spidering และการสร้างดัชนี [32, 44 , 34, 29] เนื้อหาหน้าดิบและการสร้างแบบสอบถาม [3, 7, 56] ตัวอย่างเช่นหนึ่งวิธีที่ใช้กันในการปรับแต่งผลการค้นหาขึ้นอยู่กับรายละเอียดของผู้ใช้ที่เกี่ยวข้องกับการใช้รายละเอียดอีกครั้งเขียนที่ซับซ้อนหรือขยายการค้นหาเดิมเพื่อที่จะส่งกลับผลลัพธ์ที่เฉพาะเจาะจงมากขึ้นดีขึ้นสะท้อนให้เห็นถึงความสนใจค้นหาหรือบริบท ตัวอย่างเช่น Koutrika และ Ioannidis [43] เสนอขั้นตอนวิธีการที่พวกเขาเรียก QDP (คำ Disambiguation และส่วนบุคคล) เพื่อขยายแบบสอบถามที่ส่งมาโดยผู้ใช้ตามโปรไฟล์ของผู้ใช้แทนด้วยความสัมพันธ์ระหว่างแง่ถ่วงน้ำหนัก ความสัมพันธ์เหล่านี้จะใช้รูปแบบของผู้ประกอบการระหว่างแง่เช่นร่วมร้าวฉานปฏิเสธและทดแทนและเพื่อให้มีผลบังคับใช้โปรไฟล์ของผู้ใช้ให้ชุดของกฎการเขียนแบบสอบถามส่วนบุคคลที่สามารถนำไปใช้ส่งแบบสอบถามก่อนที่จะส่งไป เครื่องมือค้นหา นา et al, [26] อธิบายถึงวิธีการรูปแบบภาษาเป็นรายบุคคลสามารถใช้เป็นโปรไฟล์ผู้ใช้ที่มีมุมมองที่จะสนับสนุนการขยายตัวของการค้นหาความเกี่ยวข้องและข้อเสนอแนะ นอกจากนี้ยังมีการวิจัยมากในพื้นที่ของการขยายการค้นหาและแก้ความกำกวมจากมุมมองของระยะสั้นโปรไฟล์ผู้ใช้เซสชั่นตามข้อเสนอแนะจากมุมมองความเกี่ยวข้องซึ่งยังสูงที่เกี่ยวข้องกับการทำงานในการค้นหาส่วนบุคคล [82] มุมมองนี้ไม่ได้กำหนดเป้าหมายมากในการปรับแต่งการค้นหาต่อ se แต่ที่การปรับปรุงการค้นหาในระดับของการประชุมการค้นหาที่เป็นอิสระและหลายวิธีการเหล่านี้สามารถขยายรวมไปถึงรูปแบบการค้นหาส่วนบุคคลในระยะยาว. แต่อาจจะเป็นวิธีที่นิยมมากที่สุด ปรับแต่งการค้นหาผ่านโปรไฟล์ผู้ใช้ที่มีอิทธิพลต่อโดยตรงการจัดอันดับของผลการค้นหา ตัวอย่างเช่น Jeh และ Widom [38] ทำเช่นนี้โดยการแนะนำรุ่นส่วนบุคคลของ PageRank [13] สำหรับการตั้งค่าการค้นหาไพรเออร์อิสระบนหน้าเว็บขึ้นอยู่กับโปรไฟล์ผู้ใช้ รูปแบบเหล่านี้ประกอบด้วยคอลเลกชันของหน้าเว็บที่ต้องการมีค่า PageRank สูงที่ได้รับการแต่งตั้งอย่างชัดเจนโดยผู้ใช้และใช้ในการคำนวณคะแนน PageRank ส่วนบุคคลสำหรับหน้าโดยพลการใด ๆ ตามวิธีการที่เกี่ยวข้องก็คือการที่ต้องการหน้าเว็บเหล่านี้ได้คะแนนสูง Chirita et al, [23] สร้างความคิดนี้โดยอัตโนมัติเลือกหน้ารายละเอียดเหล่านี้โดยการวิเคราะห์ของผู้ค้นหาหน้าบุ๊คมาร์คและพฤติกรรมการท่องที่ผ่านมาพร้อมกับขั้นตอนวิธี HubFinder ที่พบหน้าเว็บที่เกี่ยวข้องที่มีคะแนนสูง PageRank ซึ่งเหมาะสำหรับการขับรถขั้นตอนวิธี PageRank ส่วนบุคคล ทั้งสองวิธีการเหล่านี้จะขึ้นอยู่กับรูปแบบการใช้งานในระยะยาวจากการขยายระยะประวัติการเรียกดูของผู้ใช้. ช้าง et al, [19] เสนอรุ่นส่วนบุคคลของ HITS Kleinberg ของ [39] วิธีการจัดอันดับ เทคนิคของพวกเขาสายรัดข้อเสนอแนะระยะสั้นจากผู้ค้นหาทั้งชัดเจนหรือโดยปริยายในการสร้างรายละเอียดประกอบด้วยรายชื่อผู้มีอำนาจส่วนบุคคลที่สามารถนำมาใช้จะมีผลต่อขั้นตอนวิธี HITS ในการปรับแต่งการจัดอันดับของผลการค้นหา ผลการทดลองโดยใช้ร่างกายของเอกสารการวิจัยด้านวิทยาศาสตร์คอมพิวเตอร์แสดงให้เห็นว่า HITS ส่วนบุคคลสามารถที่จะมีนัยสำคัญปรับปรุงผลการจัดอันดับในทิศทางเดียวกับการตั้งค่าของผู้ค้นหาแม้จะมีข้อเสนอแนะของผู้ค้นหาเพียงเล็กน้อยเท่านั้น อีกวิธีการจัดอันดับตามที่เป็นที่นิยมอีกครั้งการจัดอันดับผลการกลับมาจากบางส่วนพื้นฐานของเครื่องมือค้นหาเว็บทั่วไปตามการตั้งค่าค้นหาโดยไม่ต้องมีการเข้าถึงการทำงานภายในของเครื่องมือค้นหา Speretta และ Gauch [97] สร้างโปรไฟล์ผู้ใช้แต่ละคนโดยการบันทึกคำสั่งและตัวอย่างผลการคัดเลือกจากผลการส่งกลับโดย Google ซึ่งจะแบ่งออกเป็นแนวความคิดที่ถ่วงน้ำหนักจากลำดับชั้นแนวคิดอ้างอิง ผลลัพธ์ที่ได้จากการค้นหาของ Google ในอนาคตแล้วการจัดอันดับอีกครั้งตามความคล้ายคลึงกันระหว่างแต่ละผลและรายละเอียดของผู้ค้นหาแนวคิดลำดับชั้น Rohini และวาร์มา [79] นอกจากนี้ยังนำเสนอวิธีการค้นหาส่วนบุคคลที่เป็นผลมาจากเครื่องมือค้นหาเว็บพื้นฐานมีการจัดอันดับอีกครั้งตามเทคนิคการกรองการทำงานร่วมกันที่สายรัดสร้างโปรไฟล์ผู้ใช้โดยปริยาย. ทั้งหมดของเทคนิคดังกล่าวมุ่งเน้นไปที่การควบคุมโปรไฟล์ผู้ใช้เดียว ( การตั้งค่าของผู้ค้นหาเป้าหมาย) ในการปรับแต่งประสบการณ์การค้นหาของผู้ใช้นั้น ในการวิจัยระบบ recommender มันเป็นเรื่องธรรมดาที่จะใช้ประโยชน์จากกลุ่มของโปรไฟล์ที่เกี่ยวข้องเมื่อมันมาถึงการสร้างคำแนะนำสำหรับบุคคลเป้าหมาย ยกตัวอย่างเช่นวิธีการกรองการทำงานร่วมกันที่รู้จักกันดีอย่างชัดเจนใช้คำแนะนำการตั้งค่าของกลุ่มผู้ใช้ที่มีความคล้ายคลึงกับผู้ใช้เป้าหมายเมื่อมันมาถึงการสร้างคำแนะนำ [77, 85, 46] ดู [35, 52] และบทที่ 21 ความคิดที่คล้ายกันเป็นจุดเริ่มต้นที่มีอิทธิพลต่อการค้นหาเว็บและแน่นอนในมาตรา 18.4 เราจะอธิบายวิธีการอย่างใดอย่างหนึ่งโดยเฉพาะอย่างยิ่งที่สายรัดการตั้งค่าของชุมชนของผู้ใช้แม้ว่าในรูปแบบของรูปแบบเดียวกับชุมชนค่อนข้าง กว่าคอลเลกชันของโปรไฟล์ผู้ใช้แต่ละคน; ดู [92 90] ซึกิยามา et al, [101] เสนอโดยวิธีการในระยะยาวโปรไฟล์ผู้ใช้ถูกสร้างขึ้นจากการค้นหาที่คล้ายกันตามประวัติการเรียกดูโดยใช้อัลกอริทึมการกรองการทำงานร่วมกันปรับเปลี่ยน แนวคิดก็คือว่าผู้ค้นหาที่ออกคำสั่งที่คล้ายกันและเลือกผลที่คล้ายกันในอดีตที่ผ่านมาจะได้รับประโยชน์จากการใช้งานร่วมกันของพวกเขาตั้งค่าการค้นหา อาทิตย์ et al, [102] เสนอวิธีการที่คล้ายกันเรียกว่า CubeSVD ซึ่งยังขึ้นอยู่กับการกรองการทำงานร่วมกันในการปรับแต่งผลการค้นหาเว็บโดยการวิเคราะห์ความสัมพันธ์ของผู้ใช้แบบสอบถามและผลในข้อมูลการคลิกผ่าน ทั้งสองวิธีการเหล่านี้เกี่ยวข้องกับการระบุตัวตนของผู้ค้นหาคล้ายกับผู้ค้นหาในปัจจุบันเพื่อสร้างโปรไฟล์ของผู้ใช้ที่ครอบคลุมมากขึ้นสำหรับการค้นหาเว็บส่วนบุคคลที่ยังใช้ประโยชน์จากโพรไฟล์ของผู้ใช้งานที่คล้ายกันระหว่างผลข้อเสนอแนะ ค้นหาแต่ละคนมีประวัติในแง่ของคำสั่งของพวกเขาก่อนและการเลือกผล (อีกครั้งเหล่านี้มีรูปแบบในระยะยาว) ในการตอบสนองต่อการค้นหาเป้าหมายใหม่แนะนำจะได้มาจากรายละเอียดส่วนบุคคลของผู้ใช้เอง แต่นอกจากแบบสอบถามจะแพร่กระจายผ่านการค้นหาแบบ peer-to-peer เครือข่ายเพื่อให้ผู้ใช้เชื่อมต่อนอกจากนี้ยังสามารถแสดงให้เห็นผลลัพธ์ที่เกี่ยวข้องขึ้นอยู่กับพฤติกรรมการค้นหาของพวกเขาก่อน . คำแนะนำส่งผลให้มีการรวบรวมและการจัดอันดับตามความเกี่ยวข้องกับการค้นหาเป้าหมายและยังอยู่ในแง่ของความแข็งแรงของความสัมพันธ์ความไว้วางใจระหว่างผู้ใช้เป้าหมายและเพื่อนที่เกี่ยวข้อง; ดูคำแนะนำเทคนิคที่ใช้ความไว้วางใจที่ผ่านมาโดย [63, 65, 64, 66, 67, 62] และบทที่ 20

Results (Thai) 3:

เกินขอบเขตของเซสชันการค้นหาเดียว ทางเลือกคือการ จับภาพุโปรไฟล์ข้อมูลมักจะเกี่ยวข้องกับบริบทเฉพาะของกระแสข้อมูลการหางาน ตัวอย่างเช่น ระบบ ucair [ 86 ] มุ่งเน้นที่เพิ่งส่งแบบสอบถามและเลือกผลลัพธ์ที่จะสร้างโปรไฟล์ระยะสั้นที่ใช้เพื่อปรับแต่งผลลัพธ์งานค้นหาในปัจจุบันเมื่อเซสชันการค้นหาใหม่จะเริ่มต้นโปรไฟล์ใหม่สำหรับผู้ใช้และความต้องการข้อมูลปัจจุบันของพวกเขาถูกสร้างขึ้น ในทำนองเดียวกัน วัตสัน [ 14 ] และ intellizap [ 31 ] ทั้งการสร้างโปรไฟล์ระยะสั้นจากข้อมูลบริบทปัจจุบัน วัตสันระบุเงื่อนไข ข้อมูลในเอกสารท้องถิ่น ที่ผู้ใช้มีการแก้ไขและการเรียกดูหน้าเว็บที่ ,และใช้เหล่านี้เพื่อแก้ไขแบบสอบถามการค้นหาของผู้ใช้เพื่อปรับแต่งผลลัพธ์ ผู้ใช้ intellizap เริ่มต้นการค้นหาโดยการเลือกการค้นหาข้อความภายในเอกสารที่พวกเขากำลังดู และค้นหาแล้วแนะนำเพิ่มเติมเงื่อนไขที่เกิดขึ้นในบริเวณใกล้เคียงกับแบบสอบถามเงื่อนไขในเอกสาร ในตัวอย่างเหล่านี้โปรไฟล์แนะนำส่วนบุคคลของผลจับบริบทที่เกี่ยวข้องกับผู้ใช้ทันทีค้นหา และอาจจะชั่วคราว ต้องการข้อมูล

ความพร้อมของข้อมูล และ / หรือข้อมูลที่เป็นบริบทก่อนจำเป็นสำหรับส่วนบุคคลและมีความหลากหลายของเทคนิคที่พัฒนาขึ้นเพื่อใช้ข้อมูลโปรไฟล์ที่มีอิทธิพลต่อลักษณะที่แตกต่างจากประสบการณ์ การค้นหา เทคนิคเหล่านี้จะไม่ จำกัด การค้นคืน และการจัดอันดับของผลการค้นหา ตัวอย่างเช่นและในความเป็นจริงมีงานวิจัยว่าโปรไฟล์ที่สามารถใช้อิทธิพลขั้นตอนอื่นๆในการค้นหาเว็บและท่อรวมทั้ง spidering ดัชนี [ 32 , 44 , 34 , 29 ] เนื้อหาของหน้าเว็บที่ดิบ และแบบสอบถามรุ่น [ 3 , 7 , 56 ] ตัวอย่าง วิธีหนึ่งที่พบบ่อยในการปรับแต่งผลการค้นหาขึ้นอยู่กับผู้ใช้รายละเอียดเกี่ยวข้องกับการใช้ข้อมูลอีกครั้งเขียน , ความละเอียดหรือขยายการค้นหาเดิมเพื่อที่จะส่งกลับผลลัพธ์ที่เฉพาะเจาะจงมากขึ้นกว่าสะท้อนให้เห็นถึงความสนใจค้นหาหรือบริบท ตัวอย่างเช่น koutrika และ ioannidis [ 43 ] เสนอขั้นตอนวิธีที่พวกเขาเรียก qdp ( แก้ความกำกวมแบบสอบถามและการตั้งค่าส่วนบุคคล ) เพื่อขยายการส่งโดยผู้ใช้ตามการโปรไฟล์ผู้ใช้โดยแสดงความสัมพันธ์หนักระหว่างคำความสัมพันธ์เหล่านี้ใช้รูปแบบของผู้ประกอบการระหว่างคำ เช่นสันธาน , การตัดขาด , ปฏิเสธ และการแทนที่ และดังนั้นผลโปรไฟล์ของผู้ใช้ มีชุดของกฎที่เขียนแบบสอบถามส่วนบุคคลซึ่งสามารถใช้เพื่อส่งแบบสอบถามก่อนที่จะส่งเครื่องมือค้นหาCroft et al [ 26 ] อธิบายว่าภาษารายบุคคล รุ่นที่สามารถใช้เป็นโปรไฟล์ผู้ใช้ที่มีมุมมองที่จะสนับสนุนการสืบค้นข้อมูลและประเด็นความคิดเห็น นอกจากนี้ยังมีงานวิจัยมากในพื้นที่การขยายตัวของแบบสอบถามและแก้ความกำกวมจากมุมมองของระยะสั้นเซสชันใช้โปรไฟล์ผู้ใช้จากความเกี่ยวข้องความคิดเห็นจุดยืนซึ่งยังสูงที่เกี่ยวข้องกับงานในส่วนบุคคลค้นหา [ 82 ] มุมมองนี้เป็นไม่มากเป้าหมายที่ปรับการค้นหาต่อ se แต่ปรับปรุงการค้นหาในระดับของเซสชันการค้นหาอิสระและมากมายของวิธีการเหล่านี้สามารถขยายให้ครอบคลุมระยะยาวส่วนบุคคลค้นหาโปรไฟล์

แต่บางทีวิธีที่นิยมมากที่สุดเพื่อปรับแต่งการค้นหาผ่านโปรไฟล์ผู้ใช้ที่จะมีอิทธิพลต่อการจัดอันดับของผลการค้นหา ตัวอย่างเช่น Jeh และ widom [ 38 ] ทำได้โดยการแนะนำส่วนบุคคลรุ่นของ PageRank [ 13 ] การค้นหาอิสระที่มาบนหน้าเว็บขึ้นอยู่กับโปรไฟล์ผู้ใช้โปรไฟล์เหล่านี้ประกอบด้วยคอลเลกชันของหน้าเว็บที่ต้องการด้วยค่า PageRank สูง ซึ่งจะชัดเจนที่เลือกโดยผู้ใช้ และใช้ข้อมูลส่วนบุคคลใด ๆโดยพลการคะแนน PageRank หน้าตามวิธีการที่เกี่ยวข้องกับมันเพื่อเหล่านี้สูงคะแนนที่ต้องการหน้าchirita et al [ 23 ] สร้างความคิดนี้โดยอัตโนมัติโดยการเลือกหน้าโปรไฟล์เหล่านี้ โดยวิเคราะห์เป็นหน้าบุ๊คมาร์คและค้นหาอดีตพฤติกรรมการท่อง พร้อมกับ hubfinder ขั้นตอนวิธีที่เกี่ยวข้องกับคะแนนที่พบหน้า PageRank สูง ซึ่งเหมาะสำหรับการขับขี่ส่วนบุคคล PageRank .