[论文解读] Automatic Detection of Search Tactic in Individual Information Seeking: A Hidden Markov Model Approach

Shuguang Han, Zhen Yue+1 more|arXiv (Cornell University)|Apr 6, 2013

Information Retrieval and Search Behavior参考文献 11被引用 10

一句话总结

本文提出使用隐马尔可夫模型（HMMs）自动检测并建模个体信息寻求行为中的搜索策略，克服了人工编码和先前自动方法的局限性。HMM结果显示出与Marchionini信息寻求模型一致的策略检测，揭示了策略之间的转换及其与用户行为的关联，证明了HMM在大规模搜索行为分析中的实用性。

ABSTRACT

Information seeking process is an important topic in information seeking behavior research. Both qualitative and empirical methods have been adopted in analyzing information seeking processes, with major focus on uncovering the latent search tactics behind user behaviors. Most of the existing works require defining search tactics in advance and coding data manually. Among the few works that can recognize search tactics automatically, they missed making sense of those tactics. In this paper, we proposed using an automatic technique, i.e. the Hidden Markov Model (HMM), to explicitly model the search tactics. HMM results show that the identified search tactics of individual information seeking behaviors are consistent with Marchioninis Information seeking process model. With the advantages of showing the connections between search tactics and search actions and the transitions among search tactics, we argue that HMM is a useful tool to investigate information seeking process, or at least it provides a feasible way to analyze large scale dataset.

研究动机与目标

• 为解决人工编码和先前自动方法在识别个体信息寻求中搜索策略方面的局限性。
• 开发一种自动技术，以建模搜索行为序列并推断潜在策略。
• 验证检测到的策略与公认的Marchionini信息寻求过程模型相一致。
• 探索使用HMM进行大规模用户搜索行为分析的可行性。
• 揭示搜索策略之间的转换及其与特定用户行为的关联。

提出的方法

• 作者应用隐马尔可夫模型（HMMs）将用户搜索行为序列作为观测值，推断隐藏的搜索策略作为状态。
• HMM在记录的搜索会话数据上进行训练，其中行为（如查询构建、结果浏览）被视为可观测的输出。
• 该模型学习不同搜索策略之间转换的概率，以及在给定策略下特定行为发生的可能性。
• 隐藏状态的数量被确定为表示不同的搜索策略，如浏览、精炼或探索。
• 使用Viterbi算法解码在给定观测行为序列下最可能的策略序列。
• 通过将推断的策略与Marchionini信息寻求模型的理论框架进行比较，验证该方法。

实验结果

研究问题

• RQ1 HMM能否自动检测并建模个体信息寻求会话中的搜索策略？
• RQ2 检测到的搜索策略是否对应于Marchionini信息寻求过程模型中的已知阶段？
• RQ3 搜索策略之间的转换如何与可观察的用户行为相关联？
• RQ4 HMM能否有效表示大规模信息寻求行为的动态特性？
• RQ5 HMM识别的策略与信息寻求的定性模型之间的一致性如何？

主要发现

• 基于HMM的方法成功检测到与Marchionini信息寻求过程模型各阶段一致的搜索策略。
• 该模型揭示了策略间的有意义转换，例如根据用户行为从“浏览”转向“精炼”。
• 在多个用户会话中，检测到的策略具有一致性，表明其在模式识别中的可靠性。
• 该方法在无需人工编码的情况下，展示了对大规模搜索会话数据进行分析的可行性。
• HMM方法有效将特定用户行为与潜在的搜索策略关联起来，增强了可解释性。
• 结果表明，HMM是建模信息寻求时间动态特性的可行且富有信息量的工具。