上下文相关的查询推荐算法研究

上传者：李曼义
|
上传时间：2015-05-06
|
密次下载

上下文相关的查询推荐算法研究

河南大学硕士学位论文上下文相关的查询推荐算法研究姓名：胡航博申请学位级
别：硕士专业：计算机应用技术指导教师：姜保庆 20100501 河南大学硕士研究
生学位论文摘要随着互联网的快速发展，搜索已成为当前最重要的网络基础应用
之～。但是，目前的搜索结果并不能让人足够满意。对搜索引擎来说，如何通过用
户提交的查询关键字，返回满足用户需求的搜索结果，是判断搜索性能的关键指标。
目前搜索引擎公司和研究人员通过多种方式试图理解用户的搜索目的，生成查询推
荐是满足用户意图中很重要的一环。在实际应用中，查询推荐表现为搜索引擎提供
的 “相关搜索”。传统的生成查询推荐的方法主要通过语义分析、文档内容分析、
锚文本研究来产生推荐；近期的方法主要是通过挖掘搜索日志来生成查询推荐。一
是利用在同一个ｓｅｓｓｉｏｎ中邻近的或同时发生的查询作为彼此的推荐。这种
方法能够有效的提供有意义的查询推荐，但仅考察用户刚提交的查询，没有充分的
考虑上下文序列。另一种是上下文相关方法，通过预测后缀树模型来生成查询推荐，
但在查询ｓｅｓｓｉｏｎ划分方面存在粒度过大的问题。提高查询推荐的准确性可
以提升用户的搜索体验，在个性化搜索、提高用户忠诚度、精准广告投放等方面有
很广应用前景。本文具体做了以下方面的工作：１．Ｓｅｓｓｉｏｎ划分研究。为
了生成查询推荐，首先需要对搜索日志中的ｓｅｓｓｉｏｎ进行划分。有两个问题
需要解决：一是选取划分方法，这决定了如何自动划分ｓｅｓ螅椋铮睢１疚母 荻
运 捎玫乃阉魅罩窘 蟹治觯 捎昧艘恢质奔浼涓舴ā６ 窃谕 桓觯螅澹螅螅椋
铮钪校 绾卫 靡丫 峤坏查询，对用户的下一个查询进行判断和预测。２．改进
序列生成模型。ＶＭＭ模型是Ｎ．ｇｒａｍ算法的扩展，考虑了用户的上下文信息，
也能很好的解决可变长的上下文输入问题。但在ＶＭＭ模型的建立过程中，预测后
缀树的生长率参数ｓ要根据经验得到。占值过大，就会丢失上下文信息；占值过小，
就会出现训练集数据过分拟合。本文通过训练多个不同边界的ＶＭＭ模第１Ｉ页河
南大学硕士研究生学位论文型，建立了扩展的ＶＭＭ模型－ＥＶＭＭ。得到更准确
的占值，解决了上下文信息丢失和训练集数据过分拟合的问题。３．实验验证。生
成查询推荐分为训练和测试两步。在训练阶段，对搜索日志的ｓｅｓｓｉｏｎ做出
准确的划分，然后生成扩展的序列查询预测模型；在测试阶段，根据输入的序列得
到概率最大的前Ｎ个查询推荐。本文改进了查询推荐算法，并在搜索日志上进行比
较和实验验证。结果表明，本算法能很好的从搜索日志中建立推荐模型，在测试集
中具有更好的准确度和覆盖率，并具有较低的时间和空间复杂度。关键词：查询推
荐；搜索目的；上下文序列；搜索日志。河南大学硕士研究生学位论文第１ＩＩ
页ＡｂｓｔｒａｃｔＷｉｔｈｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔ，ｗｅｂｓ
ｅａｒｃｈｈａｓｂｅｃｏｍｅｏｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔ
ａｎｔａｐｐｌｉｃａｔｉｏｎｓｏｆｔｈｅＩｎｔｅｒａｃｔ．Ｈｏｗｅｖｅ
ｒ，ｐｅｏｐｌｅａｒｅｎｏｔｓａｔｉｓｆｙｉｎｇ、拥ｎ１ｔｈｅｃｕｒ
ｒｅｎｔｓｅａｒｃｈｒｅｓｕｌｔｓ．Ａｓｔｏｓｅａｒｃｈｅｎｇｉｎｅ
ｓ，ｈｏｗｔｏａｃｃｕｒａｔｅｌｙｇｒａｓｐｔｈｅｕｓｅｒ?ｓｓｅａ
ｒｃｈｉｎｔｅｎｔａｎｄｒｅｔｕｒｎｔｈｅｍｓａｔｉｓｆａｃｔｏｒｙ
ｓｅａｒｃｈｒｅｓｕｌｔｓｔｏｍｅｅｔｔｈｅｉｒｎｅｅｄｓｉｓａ
ｋｅｙｉｎｄｉｃａｔｏｒｔｏｊｕｄｇｅｓｅａｒｃｈｐｅｒｆｏｒｍａｎ
ｃｅ．Ｃｕｒｒｅｎｔｌｙ，ｓｅａｒｃｈｅｎｇｉｎｅｃｏｍｐａｎｉｅｓａ

教育资源为主的文档平台

文档分类