[論文レビュー] Respect My Authority! HITS Without Hyperlinks, Utilizing Cluster-Based Language Models

Oren Kurland, Lillian Lee|ArXiv.org|Apr 22, 2008

Information Retrieval and Search Behavior参考文献 31被引用数 11

ひとこと要約

本稿では、二部グラフにおけるドキュメントとクラスタの関係を活用して検索精度を向上させる、新しいHITSベースの再順序付け手法を提案する。クラスタベースの言語モデルを用いてドキュメントとクラスタを相互に強化するエンティティとしてモデル化することで、直接的なハイパーリンクを越えた構造的関係を活用し、ドキュメントのみのグラフや従来のPageRankベースの手法よりも優れた性能を達成する。特に、権威のあるドキュメントや関連性の高いクラスタを特定する点で顕著な改善が得られる。

ABSTRACT

We present an approach to improving the precision of an initial document ranking wherein we utilize cluster information within a graph-based framework. The main idea is to perform re-ranking based on centrality within bipartite graphs of documents (on one side) and clusters (on the other side), on the premise that these are mutually reinforcing entities. Links between entities are created via consideration of language models induced from them. We find that our cluster-document graphs give rise to much better retrieval performance than previously proposed document-only graphs do. For example, authority-based re-ranking of documents via a HITS-style cluster-based approach outperforms a previously-proposed PageRank-inspired algorithm applied to solely-document graphs. Moreover, we also show that computing authority scores for clusters constitutes an effective method for identifying clusters containing a large percentage of relevant documents.

研究の動機と目的

• 直接的なハイパーリンクを超えた構造的関係を活用して、初期のドキュメント順位付けの精度を向上させること。
• グラフベースの順位付けにおいて、ドキュメントの補助的エンティティとしてクラスタを導入することで、HITSの性能が向上するかどうかを調査すること。
• クラスタの権威スコアが、関連ドキュメントを多く含むクラスタを効果的に特定できるかどうかを評価すること。
• ドキュメントのみのグラフやPageRankベースの手法と比較して、二部グラフとしてのクラスタ-ドキュメントグラフにおけるHITSの有効性を評価すること。
• 中心性スコアがクエリ尤度モデルへの乗法的バイアスとしてどの程度有効であるかを評価すること。

提案手法

• ドキュメントを一方の側、クラスタを他方の側とする二部グラフを構築し、エッジはクラスタとドキュメント間の言語モデル類似度で重みづけられる。
• 二部グラフにHITSアルゴリズムを適用し、ドキュメントとクラスタそれぞれのハブスコアと権威スコアを計算する。
• クラスタベースの言語モデルを用いて、クラスタからドキュメントへの関連性の強さを推定し、クラスタからドキュメントへの有向エッジを形成する。
• 滑らかな補間（λ重み付け）を含むエッジ重み付け方式を採用し、安定性と性能を向上させる。
• クラスタ-ドキュメントグラフにおけるHITSの権威スコアに基づきドキュメントを再順序付けし、標準的な情報検索指標を用いて性能を評価する。
• HITSの権威スコアをクエリ尤度モデルへの乗法的バイアスとして統合し、従来のPageRankベースの手法に類似したアプローチを検証する。

実験結果

リサーチクエスチョン

• RQ1 ドキュメントとクラスタの二部グラフにHITSを適用することで、ドキュメントのみのグラフと比較してドキュメント再順序付けの精度が向上するか？
• RQ2 HITSフレームワークにおけるクラスタとドキュメントの相互強化は、ドキュメントのみのグラフ上でPageRankを上回る検索結果をもたらすか？
• RQ3 クラスタの権威スコアは、関連ドキュメントの割合が高いクラスタを効果的に特定できるか？
• RQ4 クラスタレベルの構造の組み込みが、上位順位の結果における中心性と関連性の相関にどのような影響を与えるか？
• RQ5 クエリ尤度モデルへのHITSベースの中心性スコアの乗法的バイアスは、直接的な順位付けよりも効果的か？

主な発見

• ドキュメントのみのグラフ上で提案された従来のPageRankベースのアルゴリズムと比較して、クラスタ-ドキュメント二部グラフにHITSを適用した手法は、上位順位の結果における精度を顕著に向上させる。
• APコーパスでは平均精度@5が0.541、TREC8では0.544、WSJでは0.564を達成し、ベースラインのPageRankおよびドキュメントのみのグラフ上のHITSを上回った。
• クラスタの権威スコアは、関連ドキュメントの密度が高いクラスタを効果的に特定でき、本手法のクラスタレベルの関連性検出への有用性を示している。
• クラスタからドキュメントへのエッジにλ重み付けを適用したが、一部の設定では原始的な類似度重み付けの方が性能が良かった。これは、原始的なクラスタ-ドキュメント類似度がより情報量が多いことを示唆している。
• クエリ尤度モデルへの乗法的バイアスとしてHITSの権威スコアを用いた場合、PageRankベースのバイアスと同等またはそれ以上の性能を示し、WSJコーパスでは精度@5が0.572を達成した。
• 結果から、クラスタベースの二部グラフにおける中心性は、ドキュメントのみのグラフにおける中心性よりも関連性と強く相関しており、より効果的な再順序付けのシグナルであることが示された。