查询链：从隐式反馈中学习排序
机器学习
2007-05-23 v1 信息检索
摘要
本文提出了一种利用点击数据学习Web搜索结果排序检索函数的新方法。我们观察到，用户在Web上搜索时常常执行一系列具有相似信息需求的查询，或称查询链。利用查询链，我们从搜索引擎日志中生成新型偏好判断，从而借助用户在重构查询时的智能。为验证我们的方法，我们进行了一项受控用户研究，将生成的偏好判断与显式相关性判断进行比较。我们还实现了一个真实搜索引擎以测试该方法，使用改进的排序SVM从偏好数据中学习改进的排序函数。我们的结果证明了搜索引擎所给排序的显著提升。所学得的排序优于静态排序函数，也优于未考虑查询链训练得到的函数。
引用
@article{arxiv.cs/0605035,
title = {Query Chains: Learning to Rank from Implicit Feedback},
author = {Filip Radlinski and Thorsten Joachims},
journal= {arXiv preprint arXiv:cs/0605035},
year = {2007}
}
备注
10 pages