A Community-Based Approach to Personalizing Web Search

Researchers can leverage the latent knowledge created within search communities by recording users' search activities - the queries they submit and results they select - at the community level. They can use this data to build a relevance model that guides the promotion of community-relevant results during regular Web search. This discusses the collaborative Web search approach that promotes the idea that community search activities can provide valuable form of search knowledge and sharing of this knowledge makes adapting traditional search-engine results possible.     

搜索引擎结果中Web文档的排序研究

信息检索结果中,如何对检索结果进行排序在很大程度上影响了用户所得到的检索结果。对现存典型的词频统计排序技术和超链分析排序技术进行了分析,并借助向量空间模型,提出了一种基于概念语义的查询词-文档相似度排序方法。     

Exploiting Query Repetition and Regularity in an Adaptive Community-Based Web Search Engine

Search engines continue to struggle with the challenges presented by Web search: vague queries, impatient users and an enormous and rapidly expanding collection of unmoderated, heterogeneous documents all make for an extremely hostile search environment. In this paper we argue that conventional approaches to Web search -- those that adopt a traditional, document-centric, information retrieval perspective -- are limited by their refusal to consider the past search behaviour of users during future search sessions. In particular, we argue that in many circumstances the search behaviour of users is repetitive and regular; the same sort of queries tend to recur and the same type of results are often selected. We describe how this observation can lead to a novel approach to a more adaptive form of search, one that leverages past search behaviours as a means to re-rank future search results in a way that recognises the implicit preferences of communities of searchers. We describe and evaluate the I-SPY search engine, which implements this approach to collaborative, community-based search. We show that it offers potential improvements in search performance, especially in certain situations where communities of searchers share similar information needs and use similar queries to express these needs. We also show that I-SPY benefits from important advantages when it comes to user privacy. In short, we argue that I-SPY strikes a useful balance between search personalization and user privacy, by offering a unique form of anonymous personalization, and in doing so may very well provide privacy-conscious Web users with an acceptable approach to personalized search.     

Web2．0社区搜索模块排序算法的设计与实现

网页排序技术是搜索引擎的核心技术之一。描述Web2.0社区构建语义搜索的必要性,分析影响网页排序的因素,将搜索引擎的排序算法借鉴到基于Web2.0社区的搜索模块中,以改进的TF/IDF和PageRank算法为基础,在一个Web2.0开源社区开发平台上实现基于语义排序的搜索模块。测试结果表明,该排序算法具有内容定位精确、有效结果靠前的特点。     

语义网中的排序问题

网页排序算法的好坏很大程度上影响了万维网搜索引擎的用户体验.语义网为万维网带来了机器可理解的资源描述信息,也为搜索引擎带来了更大的挑战:搜索引擎的检索和排序的对象将不再局限于网页,而是包括了任何可以由URI唯一标识的对象,比如本体、本体中的词汇等等.本文介绍了语义网中不同的排序问题和目前已有的一些算法,并展望了语义网未来面临的排序问题和可能的解决方法.     

企业搜索引擎个性化排序方法

针对传统搜索引擎“面向检索”而非“面向用户”的缺点, 将个性化服务思想引入到企业搜索引擎排序中, 对其关键技术即用户兴趣建模进行了研究, 将模型用于查询扩展及排序中, 并为企业搜索引擎设计基于用户兴趣的个性化排序方法, 能为不同用户的同一检索请求提供不同的检索结果列表. 通过将研究用于油田企业搜索引擎的实验证明, 本研究能有效地提高企业搜索引擎检索精确度及满足用户的个性化检索需求, 并具有较好的自适应能力.     

搜索引擎网页排序算法研究综述

网页排序技术在搜索引擎中有着重要作用,它在一定程度上决定了搜索引擎的质量。概括了网页排序算法,详细分析了目前已知的各种排序方法的基本思想和技术特点,并比较了它们的优缺点,最后指出了网页排序技术的发展思路。     

一种基于语义网中本体的排序算法

为提高本体的重用度,出现了许多本体搜索引擎.但由于其排序算法的局限性,效果都不理想.该文通过分析已有的本体排序算法,并针对排序结果与用户查询的相关性低以及检索响应时间过长等不足,给出了改进ImOntoRank算法.实验结果表明,改进后的算法可以满足用户的需求.     

Ranking complex relationships on the semantic Web

Industry and academia are both focusing their attention on information retrieval over semantic metadata extracted from the Web, and it is increasingly possible to analyze such metadata to discover interesting relationships. However, just as document ranking is a critical component in today's search engines, the ranking of complex relationships would be an important component in tomorrow's semantic Web engines. This article presents a flexible ranking approach to identify interesting and relevant relationships in the semantic Web. The authors demonstrate the scheme's effectiveness through an empirical evaluation over a real-world data set.     

搜索引擎个性化排序因子研究

搜索引擎发展到今天,个性化搜索一直是热门的研究方向之一,而基于用户兴趣库的个性化研究方向是研究基础。针对个性化搜索,结合用户兴趣和用户搜索实时需求提出交互式搜索,专业的垂直搜索和在排序过程中利用截断计算,并提出相应的个性化因子。     

一种基于图结构的Web实体排序方法

现阶段,用户常常希望利用搜索引擎获得期望的实体,然而传统搜索引擎只能返回包含关键字的多个文档,并不能直接返回用户想要的答案,且现有的实体排序技术主要采用权值叠加的方法,需要很多先验知识对权值进行训练。文中从搜索引擎返回的文档中提取多个候选实体,并提出一种基于图结构的算法PERA(Probabilistic Entity Ranking Algorithm),利用随机游走的思想,在不需要知道相关先验知识的情况下,将候选实体排序。经过实验验证,各个类型的正确实体均有着较高的排序分值。     

本体搜索与排序方法研究综述

本体是知识共享的重要工具,也是语义Web的支柱.随着语义Web的发展,网络上出现了大量的本体.同时,为提高系统通讯、互操作和自动处理的能力,越来越多的应用需要使用本体来实现知识共享和重用.由于本体的构建通常是一个耗时且繁琐的人工劳动过程,因此一个高效的解决方案是从Web上为应用搜索合适的本体进行重用.为此,一些研究者开发了本体搜索引擎和原型系统,提供本体搜索与排序服务.本文主要从本体的收集、处理、用户接口、搜索机制和排序机制等方面,综述了近来年出现的本体搜索工具和相关研究进展,详细阐述了各自的设计原理和实现技术.在此基础上,重点分析了用户接口查询机制和本体排序方法两方面存在的不足,并指出了未来的研究和发展方向.     

The Collaborative Web

Abstract

A New World Wide Web has recently emerged. This Web is likely to change the world of organizations and of individuals every bit as much as did the original Web.     

移动Web 搜索研究

随着3G时代的到来和Web资源的飞速增长,移动互联网呈现出快速发展的趋势,人们可以利用移动终端设备便捷地访问网络,从中获取丰富的信息.然而如何对Web资源进行地理标记,并将地理数据与Web数据进行无缝集成,为移动用户提供有价值的高度相关的信息,却都是十分具有挑战性的工作.提出了一个移动Web搜索的系统框架,依据该框架对移动Web搜索领域关键性技术进行了分类概括总结.在对已有技术进行深入对比分析的基础上,指出了该领域未来的研究工作和面临的挑战.     

Search on the Semantic Web

To help human users and software agents find relevant knowledge on the Semantic Web, the Swoogle search engine discovers, indexes, and analyzes the ontologies and facts that are encoded in Semantic Web documents.     

一种基于文本聚类的网页排序方法

提出一种新的网页排序方法-ClusterRank方法。该方法先对检索结果进行文本挖掘,然后利用Web网页的链接信息以及用户点击率对网页重要性的影响对挖掘结果进行排序。该算法可以引导用户进一步明确其检索需求。     

一种改进的搜索引擎网页排序算法

本文在分析目前流行的基于链接分析的搜索引擎网页排序算法的基础上,指出基于链接分析网页排序算法未充分考虑网站性能因素.针对这一缺点,本文提出了一种改进的网页排序算法,它考虑了网站的性能等因素,对提高搜索引擎的服务质量有很好的参考价值.     

双服务器模型下支持相关度排序的多关键字密文搜索方案

围绕当前云存储环境中用户数据机密性以及可用性的问题,对多关键字密文搜索方案展开研究,提出双服务器模型下支持相关度排序的多关键字密文搜索方案(multi-keyword encrypted search with relevance ranking, MES-RR),在能够保证高效地实现多关键字密文搜索的同时,实现对于搜索结果的排序.方案基于TF-IDF加权技术并融合Paillier同态加密体制,构建关键字相关度安全索引,优化计算代价并降低了存储复杂度;设计双服务器模型架构,引入安全可信的协同处理机制来构造安全排序协议,实现对于搜索结果的高效排序.在安全性方面,在诚实与好奇的威胁场景下构建方案的安全模型,并对安全性进行严格分析,结果表明方案能够在随机预言模型下抵抗自适应性选择关键字攻击,具有IND-CKA2安全性.性能分析表明：该方案用户生成q个关键字搜索令牌仅需要常数级时间O(q),而且仅需和服务器进行1次交互即可得到搜索结果,与以往的支持排序的多关键字密文搜索方案相比,该方案大大降低了计算代价和访问交互次数,适用于实际的云存储环境.     

鲁棒的单类协同排序算法

单类协同过滤(One-class collaborative filtering, OCCF)问题是当前的一大研究热点.之前的研究所提出的算法对噪声数据很敏感,因为训练数据中的噪声数据将给训练过程带来巨大影响,从而导致算法的不准确性.文中引入了Sigmoid成对损失函数和Fidelity成对损失函数,这两个函数具有很好的灵活性,能够和当前最流行的基于矩阵分解(Matrix factorization, MF)的协同过滤算法和基于最近邻(K-nearest neighbor, KNN)的协同过滤算法很好地融合在一起,进而提出了两个鲁棒的单类协同排序算法,解决了之前此类算法对噪声数据的敏感性问题.基于Bootstrap抽样的随机梯度下降法用于优化学习过程.在包含有大量噪声数据点的实际数据集上实验验证,本文提出的算法在各个评价指标下均优于当前最新的单类协同排序算法.