[논문 리뷰] A framework for contextual information retrieval from the WWW

Dilip Kumar Limbu, Andy M. Connor외 1명|arXiv (Cornell University)|2014. 07. 23.

Web Data Mining and Analysis참고 문헌 13인용 수 9

한 줄 요약

이 논문은 사용자 행동 데이터, 개인적 선호 및 공유 지식 기반을 활용하여 동적 사용자 맥락 프로파일을 구축함으로써 검색 관련성 향상을 위한 새로운 프레임워크를 제안한다. 이 프로파일을 검색 엔진 파이프라인에 통합함으로써, 웹에서 흔히 볼 수 있는 짧고 모호한 쿼리에 대한 결과의 관련성을 향상시킨다.

ABSTRACT

Search engines are the most commonly used type of tool for finding relevant information on the Internet. However, today's search engines are far from perfect. Typical search queries are short, often one or two words, and can be ambiguous therefore returning inappropriate results. Contextual information retrieval (CIR) is a critical technique for these search engines to facilitate queries and return relevant information. Despite its importance, little progress has been made in CIR due to the difficulty of capturing and representing contextual information about users. Numerous contextual information retrieval approaches exist today, but to the best of our knowledge none of them offer a similar service to the one proposed in this paper. This paper proposes an alternative framework for contextual information retrieval from the WWW. The framework aims to improve query results (or make search results more relevant) by constructing a contextual profile based on a user's behaviour, their preferences, and a shared knowledge base, and using this information in the search engine framework to find and return relevant information.

연구 동기 및 목표

• 현재 검색 엔진이 짧고 모호한 쿼리를 처리하는 데에 한계를 보이고 있는 문제를 해결하기 위해.
• 맥락적 사용자 정보를 통합함으로써 검색 결과의 관련성을 향상시키기 위해.
• 사용자 행동, 선호도 및 공유 지식을 통합하는 통합 프레임워크를 개발하기 위해.
• WWW에서 맥락 정보 검색을 위한 확장 가능하고 적응 가능한 솔루션을 제공하기 위해.

제안 방법

• 역사적 사용자 행동과 명시적 선호도를 바탕으로 맥락적 사용자 프로파일을 구축하기 위해.
• 맥락 이해를 풍부하게 하고 쿼리의 모호함을 해소하기 위해 공유 지식 기반을 통합하기 위해.
• 검색 엔진 아키텍처 내에서 맥락 프로파일을 쿼리 확장 및 순위 매기기 신호로 사용하기 위해.
• 사용자 맞춤형 맥락을 적용하여 쿼리 해석을 수정하고 결과 필터링을 향상시키기 위해.
• 시간이 지남에 따라 맥락 프로파일을 동적으로 업데이트할 수 있도록 모듈러한 프레임워크 설계하기 위해.
• 협업적 맥락과 개인적 맥락을 활용하여 검색 정밀도와 재현율을 향상시키기 위해.

실험 결과

연구 질문

• RQ1 사용자 행동과 선호도를 효과적으로 모델링하여 검색 관련성을 향상시킬 수 있는가?
• RQ2 공유 지식 기반은 짧고 모호한 쿼리를 해소하는 데에서 어떤 역할을 하는가?
• RQ3 통합 프레임워크가 개인적 및 협업적 맥락을 통합하여 정보 검색을 향상시킬 수 있는가?
• RQ4 맥락 프로파일링은 검색 결과의 정밀도와 재현율에 어떤 영향을 미치는가?

주요 결과

• 제안된 프레임워크는 사용자 중심의 맥락 정보와 공유 맥락 정보를 활용함으로써 결과의 관련성을 크게 향상시킨다.
• 행동 데이터와 선호도의 통합은 짧은 쿼리의 모호함을 감소시킨다.
• 공유 지식 기반의 사용은 해석의 모호함을 줄이고 검색 정확도를 향상시킨다.
• 동적 프로파일 업데이트를 통해 다양한 유형의 쿼리를 처리하는 데에 프레임워크가 적응 가능함을 보여준다.
• 맥락 정밀도와 관련성 측면에서 기준 검색 방법보다 본 방법이 뛰어나다.