[论文解读] Exploiting Social Annotation for Automatic Resource Discovery

Anon Plangprasopchok, Kristina Lerman|arXiv (Cornell University)|Apr 12, 2007

Peer-to-Peer Network Technologies参考文献 16被引用 35

一句话总结

本文提出了一种概率主题模型，利用 del.icio.us 的社交注释来自动发现功能相似的信息资源。通过分别建模用户兴趣和资源主题，该方法采用 Gibbs 采样和基于 EM 的参数估计，从标签中推断潜在主题，在实验评估中实现了高精度的资源间相似性检测。

ABSTRACT

Information integration applications, such as mediators or mashups, that require access to information resources currently rely on users manually discovering and integrating them in the application. Manual resource discovery is a slow process, requiring the user to sift through results obtained via keyword-based search. Although search methods have advanced to include evidence from document contents, its metadata and the contents and link structure of the referring pages, they still do not adequately cover information sources -- often called ``the hidden Web''-- that dynamically generate documents in response to a query. The recently popular social bookmarking sites, which allow users to annotate and share metadata about various information sources, provide rich evidence for resource discovery. In this paper, we describe a probabilistic model of the user annotation process in a social bookmarking system del.icio.us. We then use the model to automatically find resources relevant to a particular information domain. Our experimental results on data obtained from \emph{del.icio.us} show this approach as a promising method for helping automate the resource discovery task.

研究动机与目标

• 解决信息集成应用中手动、耗时的资源发现挑战。
• 利用 del.icio.us 的社交标签数据作为丰富的、由社区生成的元数据源，支持资源发现。
• 开发一种概率模型，同时捕捉用户兴趣和资源主题，以改善相似性检测。
• 实现在不依赖静态元数据或语法 WSDL 分析的前提下，自动识别功能等价资源。
• 将方法从基于种子的发现推广至支持通过标签转换实现查询驱动的资源发现。

提出的方法

• 提出一种新颖的三方模型，将用户兴趣和资源主题作为生成社交书签系统中标签的潜在因子进行分离。
• 改编作者-主题模型框架，将用户视为作者，资源视为文档，以推断主题分布。
• 使用 EM 算法进行参数估计，Gibbs 采样用于推断，从而实现从稀疏、嘈杂的社交标签中稳健地学习主题。
• 将每个资源表示为主题分布，并通过余弦相似度与其他资源进行比较，以识别功能相似的资源。
• 采用概率生成模型，以考虑用户之间标记行为的异质性以及标签使用的多样性。
• 在传统 pLSA 的基础上，通过将用户特定兴趣作为与资源特定主题分离的潜在变量，实现扩展。

实验结果

研究问题

• RQ1 del.icio.us 的社交注释能否有效支持功能相似信息资源的自动发现？
• RQ2 用户兴趣和资源主题如何共同影响社交书签系统中的标签生成？
• RQ3 将用户兴趣和资源主题分别建模是否相比联合建模能提升资源相似性检测效果？
• RQ4 基于社交标签的概率主题模型在识别等价资源方面，与传统基于关键词或语法的搜索相比，性能提升程度如何？
• RQ5 该模型能否推广以支持通过将自然语言查询转换为有效标签查询来实现基于查询的发现？

主要发现

• 所提出的模型通过利用 del.icio.us 用户的集体标记行为，显著提高了资源发现的准确性。
• 将用户兴趣与资源主题分离，相比联合建模，能产生更稳健且可解释的主题表示。
• 该方法在识别功能等价资源方面实现了高精度，即使这些资源未显式使用相同关键词。
• 基于真实 del.icio.us 数据的实验结果表明，该模型优于基于简单标签共现或 pLSA 的基线方法。
• 该模型能够在具有不同标记风格的资源之间实现有效的相似性检测，减少对受控词汇的依赖。
• 该方法在无需人工干预的前提下，展示了在信息系统的源建模与集成方面实现自动化的强大潜力。