面向个人数字轨迹的基于频率的学习排序方法
信息检索
2020-12-25 v1
摘要
个人数字轨迹由联网设备、互联网服务及交互持续产生。这些数字轨迹通常体量小、异构且存储于云端或本地设备的不同位置，致使用户难以与自身数据进行交互与检索。通过采用基于六个自然问题——何事、何时、何地、何人、为何与如何——的多维数据模型来表示并统一异构个人数字轨迹，我们可提出一种利用最先进的 LambdaMART 算法与基于频率的特征的学习排序方法，其借助内容（何事）、用户（何人）、时间（何时）、位置（何地）与数据源（如何）之间的相关性来提升搜索结果的准确度。由于缺乏公开可用的个人训练数据，我们结合已知项查询生成技术与无监督排序模型（基于字段的 BM25）来构建自有训练集。在公开邮件集合与来自真实用户的个人数字数据轨迹集合上的实验表明，相较于传统搜索工具，该基于频率的学习方法提升了搜索准确度。
引用
@article{arxiv.2012.13114,
title = {A Frequency-Based Learning-To-Rank Approach for Personal Digital Traces},
author = {Daniela Vianna and Amélie Marian},
journal= {arXiv preprint arXiv:2012.13114},
year = {2020}
}