arrow
返回

Query performance prediction for microblog search

delete2017-11-01
delete10
PRE
AI
M
Maram Hasanain *
T
Tamer Elsayed
DOI:10.1016/j.ipm.2017.08.002delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
查询性能预测 (QPP) 是在没有来自搜索者的任何反馈的情况下,在给定搜索查询的情况下估计检索系统的有效性的任务。该任务已被证明是非常具有挑战性的,因此在新闻和Web检索等领域引起了很多研究关注。然而,由于微博中更普遍的时间性以及该领域中不同类型的信息需求,微博中的搜索对任务提出了新的挑战。在这项工作中,我们旨在研究微博搜索的QPP。我们进行了大规模实验,使用微博搜索中通常使用的几种类型的检索模型测试了37种最先进的预测器。此外,我们提出了一组预测器,这些预测器比最先进的预测器表现出统计学上的显着改进,在所有研究的检索设置中,最大改进百分比达到55%。进一步的实验探索表明,在预测查询扩展模型的性能时,使用扩展查询比使用原始查询提供了更好的预测质量,并且所检查的预测器通常比非时间查询更有效。这两种现象以前从未在微博搜索的背景下进行过研究。由于微博搜索被认为是该领域中几个检索任务 (如时间线生成、总结和问题回答) 的主要步骤,改进微博搜索的QPP很有可能帮助提高那些密切相关任务的有效性。(C)2017 Elsevier Ltd.版权所有。
Keyword:
Algorithms
Experimentation
Performance
Query difficulty
Temporal retrieval
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

I
Information Processing and Management
IF:
6.9
论文数:
5.2K
被引数:
1.4W

机构

Q
Qatar University
学者数:
8.9K
论文数: 9.0K
被引数: 16
引用论文

引用论文

Answering General Time-Sensitive Queries
err2012-02-01
err62
PREAI
errDakka, Wisam; Gravano, Luis; Ipeirotis, Panagiotis G.
err分享
err收藏
err分享
err收藏
Predicting Query Performance by Query-Drift Estimation通过查询漂移估计预测查询性能
err2012-05-01
err96
PREAI
errShtok, Anna; Kurland, Oren; Carmel, David; Raiber, Fiana; Markovits, Gad
err分享
err收藏
学者 查看更多内容