基于信息觅食的探索式搜索查询推荐方法研究

How to support exploratory search effectively is a hot research topic around the world, and has become an important research direction in the field of information retrieval. Starting from the disabilities of modern query recommendation methods in helping users shorten the learning process for exploratory search, this proposal studies information foraging based exploratory search query recommendation method by considering the concept learning value and the concept learning ability of users as the income and cost of the a search process. By first modeling the search experiences that reflect the concept learning value, based on the exploration flow graph, this proposal introduces the concept learning value algorithm based on the concept learning stochastic process. Meanwhile, by extracting concept network from ontologies and by treating known concepts of a user as activated nodes, this proposal studies the concept learning ability algorithm based on the spreading activation model. With these works, in order to minimize the learning process of exploratory search, information foraging based optimization method is applied to recommend concepts that could be understood by a user while with high learning values, in order to help users shorten the learning process of exploratory search. The proposal responds to the urgent needs of query recommendation applications, and will also shed light for exploratory search research.

如何有效的支持探索式搜索是国内外研究的热点，已经成为了信息检索领域研究的重要发展方向。本课题从现有查询推荐方法在帮助用户缩短探索式搜索的学习过程时存在的不足出发，以信息觅食理论为基础，通过将概念的学习价值及用户对概念的理解程度分别作为搜索过程中的收益与成本，研究基于信息觅食的探索式搜索查询推荐方法。本课题从建模体现概念学习价值的搜索经验出发，以探索流图为基础，建立基于概念学习随机过程的概念学习价值计算算法；从构建基于本体的概念知识网络出发，将用户掌握的概念作为激活点，建立基于扩散激活的用户对概念理解能力的计算算法。在此基础上，以最小化探索式搜索学习过程为优化目标，应用基于信息觅食理论的最优化方法推荐具有学习价值、且能够被用户逐渐理解的查询词，帮助用户有效缩短探索式搜索的学习过程。本课题的研究即针对当前查询推荐应用的迫切需求，也将为探索式搜索技术研究提供新的思路。

如何有效的支持探索式搜索是国内外研究的热点，已经成为了信息检索领域研究的重要发展方向。本课题从现有查询推荐方法在帮助用户缩短探索式搜索的学习过程时存在的不足出发，基于信息检索领域的最新研究成果，以信息觅食理论为基础，依据探索式搜索过程的特点，研究了探索式搜索过程的查询推荐方法。在探索式搜索过程管理与探索流图的构建方面，本项目针对探索式搜索过程的特点，提出了用于支持探索式搜索过程可视化与管理的工具时间树，验证了时间树能够有效地捕获用户的搜索经验，并针对查询组合行为研究了对应的分析与识别方法，进而实现了对探索流图的构建。在学习价值与理解能力计算方法方面，本项目研究了用户搜索行为对应的搜索意图，以及用户搜索经验的提取方法，并针对搜索任务的识别与划分问题，研究了基于学习范式的搜索经验提取方法，为学习价值计算提供了基础。对于理解能力的计算问题，本项目研究了基于元认知的模糊信息需求描述能力的建模方法，为用户意图理解以及概念理解能力的度量提供依据。在基于学习价值与理解能力等信息的查询推荐与最优化算法方面，本项目针对探索式搜索过程中不同类型的特征信息，研究了基于搜索行为意图、搜索经验、本体与结果聚类、以及学习过程的查询推荐方法。进一步地，本项目研究了支持最优化查询推荐方法的多目标进化算法与策略与参数自适应调节最优化算法。本课题的研究即针对当前查询推荐应用的迫切需求，也为探索式搜索技术研究提供了新的思路。