[論文レビュー] Simple Search Engine Model: Selective Properties

Mahyuddin K. M. Nasution|arXiv (Cornell University)|Mar 16, 2013

Web Data Mining and Analysis参考文献 4被引用数 6

ひとこと要約

本稿では、統計的バイアスを低減するため、シングルトンおよびダブルトンイベント空間に基づく選択的検索エンジンモデルを提案する。三重項概念（語-スニペット-語）を導入し、重み付き語グラフを用いてマイクロクラスタを定義することで、最適キーワードクラスタを表す「シャドウ」ミラーシェードの存在を証明し、バイアスを最小限に抑えた適応的情報検索を可能にする。

ABSTRACT

In this paper we study the relationship between query and search engine by exploring the selective properties based on a simple search engine. We used the set theory and utilized the words and terms for defining singleton and doubleton in the event spaces and then provided their implementation for proving the existence of the shadow of micro-cluster.

研究の動機と目的

• 集合論的関係に基づく選択的性質をモデル化することで、検索エンジンのクエリ結果における統計的バイアスを是正すること。
• マイクロクラスタの概念を定義・形式化し、Webスニペット内の高重量語の最大クリーク部分グラフとして定義すること。
• 正規化周波数ベクトルを用いてマイクロクラスタのミラーシェード表現を構築し、適応的情報検索を可能にすること。
• 最適マイクロクラスタツリーを通じて関連キーワードを同定する理論的基盤を確立すること。
• 将来の知識抽出システムにおける、適応的および選択的性質の重なりの原則を探索すること。

提案手法

• 個々の語に対してシングルトン空間 $\Omega_x$ を、共起する語に対してはダブルトン空間 $\Omega_x \cap \Omega_y$ を用いて検索エンジン結果をモデル化する。
• クエリ語、Webスニペット、語の関係を表すために三重項 $P(t_o, S, w) = t_o \times S \times w$ を導入する。
• スニペット内の語の重みを表すベクトル空間 $[\nu_i, \dots, \nu_j]$ を定義し、周波数の降順に並べ替える。
• 無向語グラフ $G = (V, E)$ を構築し、語の重みに閾値 $\alpha$ を適用してマイクロクラスタ $G' = \langle V, E, \mathbf{w}, f, \rho, \alpha \rangle$ を特定する。
• サイクルを回避するためのエッジ選択を用いて、強い語の関係を保持する巡回のない部分グラフとして最適マイクロクラスタ $T$ を生成する。
• マイクロクラスタ語の正規化周波数ベクトルとして、ミラーシェード $\mathbf{s}_{[0,1]} = [|\mathbf{w}_i|/|\mathbf{z}|, \dots, |\mathbf{w}_j|/|\mathbf{z}|]$ を定義する。

実験結果

リサーチクエスチョン

• RQ1 シングルトンおよびダブルトンイベント空間は、検索エンジン結果における選択的性質をどのようにモデル化できるか？
• RQ2 イベント空間内にマイクロクラスタの『シャドウ』が存在する数学的・構造的根拠は何か？
• RQ3 三重項関係（語-スニペット-語）はどのように形式化され、Webスニペットから意味のある特徴を抽出できるか？
• RQ4 マイクロクラスタが単一の実体に関連する一貫性があり最適な語のグループを表すために満たすべき条件は何か？
• RQ5 重複するキーワード集合の文脈において、適応的および選択的性質はどのように相互作用するか？

主な発見

• ミラーシェード $\mathbf{s}_{[0,1]}$ がマイクロクラスタ語集合の正規化周波数ベクトル表現として存在することが証明された。
• 最適マイクロクラスタ $T$ は、サイクルのない $G'$ の部分グラフとして定義され、最も強い語の関係を保持する。
• 最適マイクロクラスタ $T$ のミラーシェード $\mathbf{s}_T$ は、関数 $g$ による語集合の1対1写像として正式に確立された。
• スニペットリストにおける語 $t_o$ の確率は、スニペットへの二値包含に基づき $P(t_o \cap L) = \sum_{i=1}^n \frac{1}{2n}$ として導出された。
• スニペットリストにおける語 $w$ の確率は、スニペット全体における語の周波数を考慮し、$P(L \cap \mathbf{w}) = \sum_{i=1}^n \sum_{j=1}^m \frac{1}{\text{max}_i}$ として表された。
• 一対一写像 $f$、$g$、$\rho$ を用いた双対写像により、$\mathbf{s}_T$ が $T$ のミラーシェードであることが証明され、構造的整合性が保証された。