[論文レビュー] Towards an automated query modification assistant

Vera Hollink, Arjen P. de Vries|arXiv (Cornell University)|Apr 1, 2011

Web Data Mining and Analysis参考文献 17被引用数 4

ひとこと要約

本論文では、検索ログから学習することで、ユーザーのクエリ精錬戦略に関するフィードバックを提供する自動クエリ修正アシスタントを提案する。語句ベースおよび意味的クエリ修正（リンクド・データエンティティを用いて）を分析することにより、兄弟関係や少数対少数マッピングなどの、効果的でないが一般的な修正パターンの6つを同定し、検索効果を向上させるための的確な助言を提供する。

ABSTRACT

Users who need several queries before finding what they need can benefit from an automatic search assistant that provides feedback on their query modification strategies. We present a method to learn from a search log which types of query modifications have and have not been effective in the past. The method analyses query modifications along two dimensions: a traditional term-based dimension and a semantic dimension, for which queries are enriches with linked data entities. Applying the method to the search logs of two search engines, we identify six opportunities for a query modification assistant to improve search: modification strategies that are commonly used, but that often do not lead to satisfactory results.

研究の動機と目的

• 歴史的検索ログデータに基づいて、ユーザーのクエリ修正戦略に関するフィードバックを提供する自動アシスタントを開発すること。
• 頻繁に使用されるが効果が薄い共通のクエリ修正パターンを同定し、検索効率を向上させること。
• クエリログの語句ベースおよび意味的分析を統合し、フィードバック生成に向けた補完的洞察を明らかにすること。
• 二つの異なる検索エンジンデータセットを用いて検証することで、結果の整合性および一般化可能性を確認すること。
• ユーザーがより効果的なクエリ精錬戦略に向けた道筋を示す、実行可能なフィードバック機会を提供すること。

提案手法

• 検索ログからの連続するクエリペアを分析し、語句ベースおよび意味的次元の両方を用いて修正タイプを同定する。
• クエリをリンクド・データエンティティ（例：DBpedia、WordNet、AAT）にマッピングすることで、クエリ修正の意味的分析を可能にする。
• 兄弟関係、少数対少数マッピング、同一エンティティバリアントなどの意味的タイプに修正を分類する。
• 各修正タイプの情報検索成功率（isr）を計算し、その有効性を評価する。
• ニュース写真およびリーフクスマユージュム画像リポジトリという二つの独立したデータセットの結果を比較し、一貫性を検証する。
• 統計的分析を用いて、一般的に使用されるが成功率が低い修正パターンを同定する。

実験結果

リサーチクエスチョン

• RQ1 どの種類のクエリ修正が頻繁に使用されるが、検索結果の改善に一貫して効果が薄いか？
• RQ2 兄弟関係や少数対少数マッピングなどの意味的クエリ修正は、従来の語句ベースの修正と比較して、どの程度有効性が高いか？
• RQ3 クエリ修正戦略に関するフィードバックは、無効なクエリイタレーションの回数を減らすのに役立つか？
• RQ4 特定の修正タイプは、成功したクエリ（例：クリック）に続く際に、より効果的になるか？
• RQ5 語句ベースと意味的分析の洞察は、どの程度補完的であり、フィードバック機会の同定において一貫性を示すか？

主な発見

• ユーザーが頻繁に使用するが、効果が薄いクエリ修正戦略の6つのフィードバック機会が同定された。代表例として兄弟関係や少数対少数マッピングがある。
• 兄弟関係（例：同じチームに属する2人の選手を検索）は平均して高い成功率（isr = +0.02 ～ +0.06）を示したが、タイプ4のようなサブタイプは低効果であった。
• 少数対少数関係（例：配偶者、首都を持つ）はしばしば失敗し、負のisrスコア（例：–0.05 ～ –0.06）を示し、性能が劣っていた。
• 同一エンティティの修正（例：Gent/Gand などの別名）は、成功したクエリ後に効果が薄く、語彙的変種と同様の結果を示した。
• 兄弟関係は成功したクエリに続く際、最も効果的であった。これは熟練ユーザーによる戦略的使用を示唆するが、依然としてアシスタントのガイダンスによる支援が有効である。
• 意味的分析と語句ベース分析は補完的洞察を提供し、両者の重複する発見は、複数のデータセットで一貫性を示した。