[論文レビュー] Comparing and Combining Methods for Automatic Query Expansion

José R. Pérez-Agüera, Lourdes Araujo|ArXiv.org|Apr 13, 2008

Data Management and Algorithms参考文献 1被引用数 27

ひとこと要約

この論文は、情報検索における自動クエリ拡張のための共起ベースおよび確率的手法を評価・統合する。共起法（Tanimoto、Dice、コサイン）と分布的分析法（Kullback-Leibler情報量、ボーズ＝アインシュタイン統計）の2つの補完的アプローチを統合することで、個々の手法よりも優れた検索性能が得られ、組み合わせモデルではベースライン比でMAPが19.29%向上することを示している。

ABSTRACT

Query expansion is a well known method to improve the performance of information retrieval systems. In this work we have tested different approaches to extract the candidate query terms from the top ranked documents returned by the first-pass retrieval. One of them is the cooccurrence approach, based on measures of cooccurrence of the candidate and the query terms in the retrieved documents. The other one, the probabilistic approach, is based on the probability distribution of terms in the collection and in the top ranked set. We compare the retrieval improvement achieved by expanding the query with terms obtained with different methods belonging to both approaches. Besides, we have developed a naïve combination of both kinds of method, with which we have obtained results that improve those obtained with any of them separately. This result confirms that the information provided by each approach is of a different nature and, therefore, can be used in a combined manner.

研究の動機と目的

• 自動クエリ拡張における共起ベースおよび分布的（確率的）手法の有効性を評価すること。
• これらの2つのアプローチが提供する補完的情報を統合することで、検索性能が向上するかを調査すること。
• 文書選択（10件）およびクエリ拡張における語彙数の最適パラメータを同定すること。
• Rocchioを含むさまざまな再重み付け戦略を比較し、拡張クエリにおける性能を評価すること。
• クエリ固有の性能差を分析し、共起法と分布的法が重複しない別種の情報を提供するという仮説を検証すること。

提案手法

• 上位10件の検索結果文書から、共起係数（Tanimoto、Dice、コサイン）を用いて候補拡張語を抽出する。これらは検索結果文書内での語の共起頻度を測定する。
• 確率的モデル（Kullback-Leibler情報量、ボーズ＝アインシュタイン統計）を適用し、上位順位の文書群と全コレクションとの間で分布が著しく異なる語を同定する。
• 共起スコアと確率的スコアを単純な加法的モデル（例：BoCo、KLDCo）で統合し、候補語の統一されたランク付けを生成する。
• Rocchio再重み付け法を用いて、拡張クエリ内の語の重みを調整し、関連性推定を改善する。
• 系統的な実験を通じて、上位順位文書数（10件）および拡張語数を最適化する。
• テストコレクション上で標準的なIR指標（MAP、GMAP、R-Precision、P@5、P@10）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 共起ベース手法（Tanimoto、Dice、コサイン）と確率的手法（KLD、ボーズ＝アインシュタイン）の間で、クエリ拡張における性能に差は認められるか？
• RQ2 共起法と確率的法を統合することで、単独で使用する場合よりも優れた検索結果が得られるか？
• RQ3 クエリ拡張における候補語抽出に最適な上位順位文書数は何か？
• RQ4 異なる拡張手法と組み合わせた場合、どの再重み付け戦略（例：Rocchio）が最も高い性能を示すか？
• RQ5 異なるクエリタイプは、ある手法に特に有利に働くか。これは、2つの手法が補完的強みを持つことを示唆するか？

主な発見

• 組み合わせ手法（例：BoCo、KLDCo）は、ベースライン比でMAPが19.29%向上し、すべての個別手法を上回った。
• 共起法単体が最も高いMAP（0.4831）とGMAP（0.2464）を記録し、平均的な性能が優れていた。
• ボーズ＝アインシュタイン統計と共起法の組み合わせ（BoCo）は、最高のR-Precision（0.4629）とP@10（0.5630）を達成し、複数指標にわたる強固な性能を示した。
• 特定のクエリでは、異なる手法が優れた性能を示した—例：C041では共起法がMAP 0.9428で優れた結果、C049ではBo1が最良—これは補完的強みを示している。
• 語の抽出に最適な文書数は、常に約10件であり、それ以上に増加させても性能向上が見られなかった。
• クエリ固有の結果分析から、共起法と確率的法が異なる種類の情報を抽出していることが確認され、両者の統合が正当化される。