基于眼动和主题模型的个性化实时查询扩展模型的研究

摘要

对于大部分用户甚至是有经验的用户来说如何形成一个较好的查询能够获得更好的搜索结果仍然被认为是信息检索（Information Retrieval）的一大难题。查询扩展往往是提高检索性能的有效方法。通过找出语义上与原始查询比较相关的词语、概念等，再结合用户的原始查询，使得扩展之后的查询能够提供更多的积极信息来从海量信息中找出与用户查询相关的文档，改善用户搜索体验。传统的查询扩展技术已经在很大程度上解决了查全率（Recall）低下的问题，但是对于查准率（Precision）上却很难去的较令人满意的结果。个性化的查询扩展部分解决了查准率较低的问题。但是传统的个性化的查询扩展往往利用用户过去的搜索数据而且很难捕捉用户在本次查询中的需求动态变化，很难实时地根据用户与搜索引擎的交互来满足用户的查询需求。眼动（Eye Movements）能够在不引起用户注意的情况下实时地捕捉到用户的注视信息，进而提供用户的实时搜索行为数据，被视为用户研究和个性化的搜索的一个全新的方向。因此，若能将眼动技术应用在当前亟待解决的个性化的查询扩展上来，将是一个全新的启发式的研究方向，具有重大意义。
　　论文的主要研究工作分为以下几个方面：
　　第一，对眼动（Eye Movements）在IR上的主要应用进行了概述。除了介绍眼动在IR上的应用之外，着重介绍了如何利用眼动（Eye Movements）实时捕捉用户的动态搜索数据以及如何利用捕捉之后的眼动数据来进行个性化的查询扩展。
　　第二，介绍了主题模型与眼动（Eye Movements）的结合方法。仅仅利用捕捉到的用户的眼动（Eye Movements）数据进行个性化查询扩展词的计算，还不能够充分挖掘用户的潜在搜索意图，为此利用主题模型Latent Dirichlet Allocation(LDA)来发掘和用户查询潜在相关的查询词，提高检索成绩。
　　第三，建立实时查询扩展模型（Real-Time Query Expansion，RTQE）。通过创新性地结合眼动和LDA，该模型能够在用户点击若干篇文档之后，记录用户的注视数据，在用户刷新当前搜索结果界面或者点击下一页的同时根据用户若干分钟前的注视数据通过建立的RTQE模型重新对已有的搜索结果进行排序和优化，提升用户体验。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2国内外研究现状

1.3本文主要工作及创新点

1.4论文的组织结构

第二章 背景知识

2.1搜索意图分析

2.2信息检索性能评价

2.3眼动仪及其在IR上的应用

第三章 实时查询扩展模型研究

3.1查询扩展

3.2主题模型LDA简介

3.3眼动数据采集

3.4 RTQE模型的描述及训练

第四章 实验的搭建

4.1数据集及被试任务

4.2实验环境设置

第五章 实验结果及分析

5.1实验结果比较

5.2实验结果分析

第六章 结论与展望

6.1本文总结

6.2未来展望

参考文献

发表论文和参加科研情况说明

致谢