[論文レビュー] Automatic Detection of Search Tactic in Individual Information Seeking: A Hidden Markov Model Approach

Shuguang Han, Zhen Yue+1 more|arXiv (Cornell University)|Apr 6, 2013

Information Retrieval and Search Behavior参考文献 11被引用数 10

ひとこと要約

本稿では、手動コーディングや従来の自動手法の限界を克服するために、個人の情報探索行動における検索戦略を自動的に検出し、モデル化するために隠れマルコフモデル（HMMs）の使用を提案する。HMMの結果は、Marchioniniの情報探索モデルと整合する戦略の一貫した検出を示し、戦略間の遷移とそれらがユーザー行動とどのように関連するかを明らかにした。これは、HMMが検索行動の大規模な分析に有用であることを示している。

ABSTRACT

Information seeking process is an important topic in information seeking behavior research. Both qualitative and empirical methods have been adopted in analyzing information seeking processes, with major focus on uncovering the latent search tactics behind user behaviors. Most of the existing works require defining search tactics in advance and coding data manually. Among the few works that can recognize search tactics automatically, they missed making sense of those tactics. In this paper, we proposed using an automatic technique, i.e. the Hidden Markov Model (HMM), to explicitly model the search tactics. HMM results show that the identified search tactics of individual information seeking behaviors are consistent with Marchioninis Information seeking process model. With the advantages of showing the connections between search tactics and search actions and the transitions among search tactics, we argue that HMM is a useful tool to investigate information seeking process, or at least it provides a feasible way to analyze large scale dataset.

研究の動機と目的

• 個人の情報探索における検索戦略を特定するための手動コーディングや従来の自動手法の限界を解決すること。
• 検索行動の順序をモデル化し、その背後にある戦略を推定する自動的手法を開発すること。
• 検出された戦略が広く認知されたMarchioniniの情報探索プロセスモデルの各段階と一致することを検証すること。
• HMMを用いた大規模なユーザー検索行動分析の可能性を検討すること。
• 検索戦略間の遷移とそれらが特定のユーザー行動とどのように関連するかを明らかにすること。

提案手法

• 著者は、ユーザーの検索行動の系列を観測値として扱い、隠れた検索戦略を状態として推定するため、隠れマルコフモデル（HMMs）を適用する。
• HMMは、ログに記録された検索セッションデータを用いて学習され、例えばクエリ作成や結果閲覧といった行動が観測可能な出力として扱われる。
• モデルは、異なる検索戦略間の遷移確率および特定の行動が戦略に対応する確率を学習する。
• 隠れ状態の数は、スキャン、精錬、探索といった明確に区別できる検索戦略を表すように決定される。
• 観測された行動の系列に対して、最も確率の高い戦略系列を復号するために、バイタービアルゴリズムが用いられる。
• 推定された戦略がMarchioniniの情報探索プロセスモデルの理論的枠組みと一致するかを比較することで、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 HMMは、個人の情報探索セッションにおける検索戦略を自動的に検出し、モデル化できるか？
• RQ2 検出された検索戦略は、Marchioniniの情報探索プロセスモデルの既知の段階に対応するか？
• RQ3 検索戦略間の遷移は、観察可能なユーザー行動とどのように関連するか？
• RQ4 HMMは、スケール上で情報探索行動の動的性質を効果的に表現できるか？
• RQ5 HMMで同定された戦略は、情報探索の定性的モデルと一貫性を示すか？

主な発見

• HMMに基づく手法は、Marchioniniの情報探索プロセスモデルの各段階と整合する検索戦略を効果的に検出できた。
• モデルは、ユーザー行動に基づいて「スキャン」から「精錬」への意味のある戦略遷移を明らかにした。
• 複数のユーザー・セッションにわたり、検出された戦略は一貫しており、パターン認識の信頼性を示した。
• 手動コーディングなしで大規模な検索セッションデータを分析する可能性が、本手法によって示された。
• HMM手法は、特定のユーザー行動とその背後にある検索戦略を効果的に結びつけ、解釈可能性を高めた。
• 結果から、HMMは情報探索の時間的ダイナミクスをモデル化するための実用的で有益なツールであると示唆された。