Arama sonuçlarını iyileştirmek için konu kullanıcı profilini kullanarak seçici kişiselleştirme

Kişiselleştirme tekniği, bilgi erişim sistemininin etkinliğini iyileştirmek için web arama motorlarında kullanılan bir tekniktir. Kişiselleştirilmiş web araması alanında son günlerde sıkça araştırma ve uygulama yapılmaktadır. Bu araştırmada öncelikle farklı karakteristiklere sahip sorgularda kişiselleştirmenin etkisini ölçüyoruz. Bu analiz ile kişiselleştirmenin tüm sorgulara aynı biçimde uygulanıp uygulanmayacağı araştırılmaktadır. Bazı sorguların kişiselleştirilmesi, kullanıcı tercihleri ile aynı öncelikte bir derecelendirme yapıldığı takdirde kullanıcı deneyiminde önemli iyileştirmeler sağlarken, belirsiz sorguların etkinliğini iyileştirmez ve hatta bazen azalmasına neden olur. Kişiselleştirme metriklerinin potansiyeli, kişiselleştirmeyi seçilimli bir şekilde uygulayarak arama motorlarını iyileştirebilir. Kişiselleştirme potansiyelini tahmin etmek için kullanılan "tıklama entropisi" ve "konu entropisi" gibi mevcut yöntemler, sorgu ve sorgu geçmişi için tıklanan dokümanlara dayalıdırlar. Bu yöntemlerin, önceki tıklanmış verilerin kullanışsızlığı gibi yeni ve görünmeyen sorgular veya geçmişi olmayan sorgular için bir takım sınırları mevcuttur. Bu tezde, konu entropisi ölçümü, kullanıcı dağılımını metriğe entegre ederek seyreklik problemine dayanıklı olacak şekilde iyileştirildi. Bu metrik kullanıcı dökümanları üzerinde oluşturulan konusal kullanıcı profillerini kullanarak kişiselleştirme potansiyelini tahmin eder. Bu yolla yeni sorguların potansiyelini tahmin etmek ve geçmişe sahip sorguların doğruluğunu artırmak için soğuk başlangıç probleminin üstesinden gelebiliriz. Bu tezde her ne kadar ana odak noktası konu tabanlı kullanıcı profilleri olsa da anahtar kelime tabanlı kullanıcı profilleri hakkında çok araştırma olmadığı için, anahtar kelimeye dayalı profiller ve konu tabanlı profiller arasında bir karşılaştırma yapıyoruz. Denetimli ve denetimsiz yöntemlerin farklı modellerini göz önünde bulundurarak, kişiselleştirmenin ustalık derecesinde anahtar kelime çıkartma modellerine nasıl entegre edilebileceğini inceliyoruz. Farklı veri kümelerini kullanarak kişiselleştirme sürecini tamamlamak için yeniden derecelendirme algoritmaları kullanılarak anahtar kelime ve konu tabanlı kullanıcı profillerini değerlendiriyoruz. Anahtar kelime tabanlı kişiselleştirmede, denetimli anahtar kelime çıkartma yaklaşımı %7 oranında iyileştirme sağlarken, konu tabanlı kişiselleştirmede bir iyileştirme sağlamamaktadır. Konu tabanlı modellerde, derecelendirme sürecinin bir bölümü olarak, kullanıcı tarafından belirlenen ve grup profili seviyesinde kişiselleştirme kombinasyonu kullanırız. Önceki derecelendirme yöntemlerinde iyileştirmeler, kullanıcının geçmişi ile eşleşen sorgular içindir. Derecelendirmenin avantajlarını tüm sorgularda kullanmak için, konusal profiller üzerinde kümelenen benzer kullanıcılardan elde edilmiş grupları kullanan grup kişiselleştirmiş konusal modelini (GPTM) tanıtıyoruz. Deneyler, potansiyel tahmin yönteminin insan sorgularında belirsiz kararlar ile ilişkili olduğunu ve grup tabanlı derecelendirmenin ortalama karşılıklı derecelendirmeyi %8 artırdığını göstermektedir.