中文字数:3338, 英文字数:1446
1.所译外文资料: ①作者:James AlIan ②书名(或论文题目):Incremental Relevance Feedback for Information Filtering ③出 版 社(或刊物名称): Center for Intelligent Information Retrieval ④出版时间(或刊号):1996 ISBN:0-89791-792-8 ⑤所译页码: 270--277
增加信息的关联反馈过滤
摘要: 我们从实验到TREC 的数据都一直都在探索,究竟该怎么做关联反馈才能被更好的利用呢。我们也从过去所有的资料里得到证明,没有好的搜索关联反馈就不能得到高质量的结果。
1. 简介: 关联反馈技术是自动把一个疑问号改正成更准确方法,反映出那些用户兴趣:由兴趣疑问搜索进而反馈给系统来提高搜索力度。对反馈感兴趣的研究人员,通常使用TREC来收集任务,由一些质问和相关的资料收集组成,从资料的开始被利用——反馈测试——结果出现和投入使用。 我们是在那两种想法的结合过程中,发现信息的关联反馈过滤的好处并处理出现的新问题: 1.当关联性判断出现,标准的反馈技术起作用时时起作用,我们就能取得更好的反馈结果,从而使检索效果更好。 2.为了保持那种"高级品质"并设法降低空间要求,对我们将来的检索事业有着重要的意义。 3.关联反馈技术能对付"质问漂流",这将给我们的检索省下不少的时间。 当调查那些问题中的任何一个时,当判断被一次而不是马上提出时,我们集中于关联反馈,一个过程我们叫增加的反馈。当全部判断同时被使用时,反馈的连续应用将增长集中于取得好的质问中。 虽然铺设任务的关联反馈和TREC已经被广泛地研究,只有很少的工作高于增加的反馈在一种过滤的环境过程中处理那些问题。