18.3.1 Personalized Web SearchMany

18.3.1 Personalized Web Search
Many recommender systems are designed to make suggestions to users that are relevant to their particular circumstances or their personal preferences—for example, recommender systems help users to identify personally relevant information such as news articles [8, 9, 41], books [46], movies [54, 27, 42], and even products to buy [83, 74, 76, 51, 75, 20]— and the application of recommender technologies to web search allows for a departure from the conventional one-size-fits-all approach to mainstream web search. When it comes to delivering a more personalized search experience there are two key requirements: firstly, we must understand the needs of searchers (profiling); secondly, we must be able to use these profiles to influence the output of the search engine, for example by re-ranking results according to the profile, or, indeed, by influencing other components of the web search experience.

To put these research efforts into perspective it is useful to consider two important dimensions to personalizing web search. On the one hand we can consider the nature of the profiles that are learned: some approaches focus on short-term user profiles that capture features of the user’s current search context (e.g. [86, 14, 31]), while others accommodate long-term profiles that capture the user’s preferences over an extended period of time (e.g. [22, 2, 48]). On the other hand, when it comes to harnessing these profiles during search, we can usefully distinguish between those approaches that are guided by an individual target user’s profile (e.g. [15, 89, 38, 43]) versus those that are collaborative, in the sense that they are guided by the profiles of a group of users (e.g. [46, 85, 41, 35, 90]).

Generally speaking, user profiles can be constructed in two ways. Explicit profiling interrogates users directly by requesting different forms of preference information, from categorical preferences [22, 48] to simple result ratings [2]. In contrast, implicit profiling techniques attempt to infer preference information by monitoring user behaviour, and without interfering with users as they go about their searches; e.g. [22, 47, 69].

Results (Thai) 1:

18.3.1 ค้นหาเว็บส่วนบุคคลหลายผู้แนะนำระบบออกแบบมาให้คำแนะนำผู้ที่เกี่ยวข้องกับสถานการณ์เฉพาะของตนหรือบุคคลของพวกเขา — ตัวอย่าง ระบบผู้แนะนำช่วยให้ผู้ใช้ระบุข้อมูลส่วนตัวที่เกี่ยวข้องเช่นข่าว [8, 9, 41], [46] หนังสือ ภาพยนตร์ [54, 27, 42], และผลิตภัณฑ์แม้จะซื้อ [83, 74, 76, 51, 75, 20] — และแอพลิเคชันของผู้แนะนำเทคโนโลยีการค้นหาเว็บที่ช่วยให้การเดินทางจากวิธี one-size-fits-all ทั่วไปเพื่อค้นหาเว็บหลัก เมื่อมันมาเพื่อมอบประสบการณ์การค้นหาเป็นมีความสำคัญสอง: ประการแรก เราต้องเข้าใจความต้องการของผู้ที่ (สร้างโพรไฟล์); ประการที่สอง เราต้องสามารถใช้โพรไฟล์เหล่านี้จะมีผลต่อผลลัพธ์ของการค้นหา ตัวอย่าง โดยผลการจัดอันดับตามโพรไฟล์ หรือ แท้จริง โดยมีอิทธิพลต่อองค์ประกอบอื่น ๆ ของเว็บค้นหาประสบการณ์ใส่ความพยายามวิจัยเหล่านี้ลงไปในมุมมอง จึงเป็นประโยชน์ในการพิจารณามิติสำคัญสองส่วนบุคคลค้นหาเว็บ คง เราสามารถพิจารณาลักษณะของโพรไฟล์ที่มีการเรียนรู้: บางวิธีเน้นระยะสั้นโพรไฟล์ผู้ใช้ที่เก็บลักษณะของบริบทการค้นหาปัจจุบันของผู้ใช้ (เช่น [86, 14, 31]), ใน ขณะที่ผู้อื่นรองรับโพรไฟล์ระยะยาวที่กำหนดลักษณะของผู้ใช้เป็นระยะเวลานาน (เช่น [22, 2, 48]) บนมืออื่น ๆ เมื่อมันมาถึงการควบคุมโพรไฟล์เหล่านี้ในระหว่างการค้นหา เราสามารถ usefully แยกแยะเหล่านั้นวิธีที่แนะนำ โดยโพรไฟล์ของผู้ใช้แต่ละเป้าหมายที่ (เช่น [15, 89, 38, 43]) เมื่อเทียบกับผู้ที่ร่วมกัน ในแง่ที่ว่า พวกเขาจะแนะนำ โดยโพรไฟล์ของกลุ่มผู้ใช้ (เช่น [46, 85, 41, 35, 90])โดยทั่วไป สามารถสร้างโพรไฟล์ผู้ใช้ในสองวิธี สร้างโพรไฟล์ชัดเจน interrogates ผู้ใช้โดยตรง โดยการร้องขอข้อมูลการตั้งค่า ในรูปแบบต่าง ๆ จากแตกลักษณะ [22, 48] ผลลัพธ์ง่าย [2] การจัดอันดับ ในทางตรงกันข้าม เทคนิคการสร้างโพรไฟล์นัยพยายามที่จะเข้าใจข้อมูลการตั้งค่า การตรวจสอบพฤติกรรมผู้ใช้ และ ไม่รบกวนผู้ใช้เป็นไปเกี่ยวกับการค้นหา เช่น [22, 47, 69]

Results (Thai) 2:

18.3.1 บุคคลค้นหาเว็บ
ระบบ recommender หลายคนถูกออกแบบมาเพื่อให้คำแนะนำกับผู้ใช้งานที่เกี่ยวข้องกับสถานการณ์เฉพาะของพวกเขาหรือการตั้งค่าสำหรับส่วนตัวของพวกเขาตัวอย่างเช่นระบบ recommender ช่วยให้ผู้ใช้ระบุข้อมูลที่เกี่ยวข้องเองเช่นบทความข่าว [8, 9, 41 ] หนังสือ [46], ภาพยนตร์ [54, 27, 42], และแม้กระทั่งผลิตภัณฑ์ที่จะซื้อ [83, 74, 76, 51, 75, 20] - และการประยุกต์ใช้เทคโนโลยี recommender เพื่อค้นหาเว็บช่วยให้การเดินทางออกจาก ธรรมดาหนึ่งขนาดเหมาะกับทุกวิธีที่จะค้นหาเว็บหลัก เมื่อมันมาถึงการส่งมอบประสบการณ์การค้นหาส่วนบุคคลมากขึ้นมีสองความต้องการที่สำคัญประการแรกเราต้องเข้าใจความต้องการของผู้ค้นหา (โปรไฟล์); ประการที่สองเราจะต้องสามารถที่จะใช้รูปแบบเหล่านี้จะมีผลต่อการส่งออกของเครื่องมือค้นหาเช่นโดยผลการจัดอันดับอีกครั้งตามรายละเอียดหรือจริงโดยที่มีอิทธิพลต่อส่วนประกอบอื่น ๆ ของประสบการณ์การค้นหาเว็บ. ที่จะนำการวิจัยเหล่านี้ ในมุมมองที่จะเป็นประโยชน์ในการพิจารณาสองมิติที่สำคัญในการปรับแต่งการค้นหาเว็บ ในมือข้างหนึ่งเราสามารถพิจารณาลักษณะของรูปแบบที่มีการเรียนรู้: วิธีการบางอย่างที่มุ่งเน้นไปที่โปรไฟล์ผู้ใช้ในระยะสั้นที่มีคุณสมบัติการจับตัวของบริบทการค้นหาปัจจุบันของผู้ใช้ (เช่น [86, 14, 31]) ในขณะที่คนอื่น ๆ รองรับยาว โปรไฟล์ระยะที่จับการตั้งค่าของผู้ใช้ในระยะเวลานานของเวลา (เช่น [22, 2, 48]) ในทางกลับกันเมื่อมันมาถึงการควบคุมโปรไฟล์เหล่านี้ในระหว่างการค้นหาเราเป็นประโยชน์สามารถแยกแยะความแตกต่างระหว่างวิธีการที่ถูกชี้นำโดยรายละเอียดผู้ใช้เป้าหมายของแต่ละบุคคล (เช่น [15 89, 38, 43]) เมื่อเทียบกับผู้ที่มีการทำงานร่วมกันใน ความรู้สึกที่ว่าพวกเขาจะได้รับคำแนะนำจากโพรไฟล์ของกลุ่มของผู้ใช้ (เช่น [46, 85, 41, 35, 90]). โดยทั่วไปโปรไฟล์ผู้ใช้สามารถสร้างได้สองวิธี โปรไฟล์ชัดเจน interrogates ผู้ใช้โดยตรงโดยการร้องขอในรูปแบบที่แตกต่างกันของข้อมูลการตั้งค่าจากการตั้งค่าเด็ดขาด [22 48] การจัดอันดับผลง่าย [2] ในทางตรงกันข้ามเทคนิคโปรไฟล์นัยพยายามที่จะสรุปข้อมูลการตั้งค่าโดยการตรวจสอบพฤติกรรมของผู้ใช้และไม่รบกวนการทำงานของผู้ใช้ที่พวกเขาไปเกี่ยวกับการค้นหาของพวกเขา เช่น [22 47, 69]

Results (Thai) 3:

18.3.1 ส่วนบุคคลค้นหาเว็บ
หลายแนะนำระบบถูกออกแบบมาเพื่อให้คำแนะนำกับผู้ใช้ที่เกี่ยวข้องกับสถานการณ์เฉพาะของตนเอง หรือการตั้งค่าส่วนบุคคลของพวกเขา ตัวอย่างเช่น แนะนำระบบช่วยให้ผู้ใช้เพื่อระบุข้อมูลบุคคล ที่เกี่ยวข้อง เช่น บทความข่าว [ 8 , 9 , 41 ] , หนังสือ [ 46 ] , หนัง [ 54 , 27 , 42 ] และแม้แต่ซื้อสินค้า [ 83 , 74 , 76 , 51 , 7520 ] - และการประยุกต์ใช้เทคโนโลยีการแนะนำเพื่อค้นหาเว็บช่วยให้จากเดิมหนึ่งขนาดเหมาะกับทุกวิธีการเพื่อยุติการค้นหาเว็บ เมื่อมันมาถึงการส่งมอบประสบการณ์การค้นหาส่วนบุคคลมากขึ้นมีความต้องการที่สำคัญคือ เราต้องเข้าใจความต้องการของผู้ค้นหา ( โปรไฟล์ ) ; ประการที่สองเราต้องสามารถใช้โปรไฟล์เหล่านี้มีอิทธิพลต่อผลลัพธ์ของเครื่องมือค้นหา ตัวอย่างเช่น โดยจะจัดอันดับผลลัพธ์ตามโปรไฟล์ หรือ แท้ โดยมีผลต่อองค์ประกอบอื่น ๆของการค้นหาเว็บ ประสบการณ์

ใส่ความพยายามวิจัยเหล่านี้จะเป็นประโยชน์ในการพิจารณา ในมุมมองสองมิติที่สำคัญส่วนบุคคลค้นหาเว็บ .ในมือข้างหนึ่งที่เราสามารถพิจารณาธรรมชาติของโปรไฟล์ที่ได้เรียนรู้ : แนวเน้นระยะสั้นที่โปรไฟล์ผู้ใช้ที่ยึดคุณสมบัติของบริบทการค้นหาของผู้ใช้ปัจจุบัน ( เช่น [ 86 , 14 , 31 ] ) ในขณะที่คนอื่น ๆรองรับระยะยาวโปรไฟล์ที่จับของผู้ใช้การตั้งค่าผ่านระยะเวลาของเวลา ( เช่น [ 22 , 2 , 48 ] ) บนมืออื่น ๆเมื่อมันมาพร้อมกับการควบคุมโพรไฟล์เหล่านี้ในการค้นหา เราสามารถเป็นประโยชน์แยกแยะระหว่างวิธีที่แนะนำโดยโปรไฟล์บุคคลเป้าหมายของผู้ใช้ ( เช่น [ 15 , 89 , 38 , 43 ] ) เมื่อเทียบกับผู้ที่มีร่วมกันในความรู้สึกว่า พวกเขาจะแนะนำโดยโปรไฟล์ของกลุ่มผู้ใช้ ( เช่น [ 46 85 , 41 , 35 , 90 ] )

โดยทั่วไปการพูด , โปรไฟล์ผู้ใช้สามารถสร้างได้สองวิธีโปรไฟล์ผู้ใช้โดยตรงและสอบสวนชัดเจนโดยขอแบบฟอร์มที่แตกต่างกันของข้อมูลการตั้งค่าจากการตั้งค่าอย่างแท้จริง [ 22 ] [ การจัดอันดับ 48 วิ 2 ] ในทางตรงกันข้าม แร่งไหมเทคนิคพยายามที่จะสรุปข้อมูลการตั้งค่าโดยการตรวจสอบพฤติกรรมของผู้ใช้ และโดยไม่รบกวนผู้ใช้เป็นพวกเขาไปเกี่ยวกับการค้นหาของตน เช่น [ 22 , 47 , 69 ]