FeedLens：用于知识图谱探索式搜索个性化的多态透镜

知识图谱（KGs）的庞大规模与开放特性使得在其上的探索式搜索对用户认知要求很高。我们引入一种新技术——多态透镜（polymorphic lenses），通过从KG-based系统为推荐内容所维护的现有偏好模型中获取新杠杆，改善KG上的探索式搜索。该方法基于一个简单而有力的观察：在KG中，偏好模型可被重新定向，不仅推荐单一基实体类型的实体（如科学文献KG中的论文、电商KG中的商品），也可推荐所有其他类型（如作者、会议、机构；卖家、买家）。我们在一个名为FeedLens的新系统中实现了该技术，该系统构建于用于导航科学文献KG的生产系统Semantic Scholar之上。FeedLens复用Semantic Scholar上现有的偏好模型——用户策划的研究订阅流——作为探索式搜索的透镜。Semantic Scholar用户可为不同感兴趣主题策划多个订阅流/透镜，例如一个用于人本AI，另一个用于文档嵌入。尽管这些透镜以论文定义，FeedLens将其重新用于引导对作者、机构、场所等的搜索。我们的系统设计基于通过两次试点调查（分别为n=17和n=13）从目标用户获得的反馈。我们通过第三次（被试内）用户研究（n=15）对比FeedLens与Semantic Scholar，发现FeedLens在降低完成简短文献综述任务所需认知负荷的同时提升了用户参与度。我们的定性结果也凸显了人们对FeedLens带来的更高效探索式搜索体验的偏好。