A Feature-Centric View of Information Retrieval

موتورهای جستجوی وب تجاری مانند گوگل، یاهو و بینگ هر روز توسط میلیون ها نفر در سراسر جهان استفاده می شود. با اصلاح و استفاده روزافزون آنها، همگامی با اندازه مجموعه و سایر مسائل مهم تحقیقاتی مرتبط با جستجوی وب برای محققان دانشگاهی به طور فزاینده ای دشوار شده است، که باعث ایجاد شکاف بین تحقیقات بازیابی اطلاعات در دانشگاه و صنعت شده است. . چنین مجموعه های بزرگی مجموعه ای از چالش های جدید را برای محققان بازیابی اطلاعات ایجاد می کند.

در این کار، متزلر مدل‌های بازیابی اطلاعات بسیار مؤثر را برای مجموعه‌های داده‌های کوچک‌تر، کلاسیک و مجموعه‌های وب بزرگ‌تر توصیف می‌کند. او در فاصله‌ای از توابع رتبه‌بندی اکتشافی، تنظیم‌شده دستی و مدل‌های احتمالی پیچیده، مدل‌های بازیابی مبتنی بر ویژگی را ارائه می‌کند. مدل میدان تصادفی مارکوف از دو طریق فراتر از فرضیه سنتی و در عین حال نامناسب کلمات است. اولاً، این مدل می‌تواند به راحتی از انواع وابستگی‌هایی که بین عبارت‌های پرس و جو وجود دارد، بهره‌برداری کند و اصطلاح فرض استقلال را که اغلب مدل‌های مجموعه‌ای از کلمات را همراهی می‌کند، حذف کند. دوم، ویژگی های متنی یا غیر متنی دلخواه را می توان در مدل استفاده کرد. همانطور که او نشان می دهد، ترکیب وابستگی های اصطلاحی و ویژگی های دلخواه منجر به یک مدل بازیابی بسیار قوی و قدرتمند می شود. علاوه بر این، او چندین افزونه، مانند یک الگوریتم انتخاب ویژگی خودکار و یک چارچوب گسترش پرس و جو را توصیف می کند. مدل و برنامه‌های افزودنی حاصل چارچوبی انعطاف‌پذیر برای بازیابی بسیار مؤثر در طیف گسترده‌ای از وظایف و مجموعه‌های داده ارائه می‌کنند.

نمای ویژگی‌محور از بازیابی اطلاعات به دانشجویان فارغ‌التحصیل می‌دهد، همچنین محققان دانشگاهی و صنعتی در زمینه بازیابی اطلاعات و جستجوی وب با دیدگاهی مدرن در مدل سازی بازیابی اطلاعات و جستجوهای وب.

Commercial Web search engines such as Google, Yahoo, and Bing are used every day by millions of people across the globe. With their ever-growing refinement and usage, it has become increasingly difficult for academic researchers to keep up with the collection sizes and other critical research issues related to Web search, which has created a divide between the information retrieval research being done within academia and industry. Such large collections pose a new set of challenges for information retrieval researchers.

In this work, Metzler describes highly effective information retrieval models for both smaller, classical data sets, and larger Web collections. In a shift away from heuristic, hand-tuned ranking functions and complex probabilistic models, he presents feature-based retrieval models. The Markov random field model he details goes beyond the traditional yet ill-suited bag of words assumption in two ways. First, the model can easily exploit various types of dependencies that exist between query terms, eliminating the term independence assumption that often accompanies bag of words models. Second, arbitrary textual or non-textual features can be used within the model. As he shows, combining term dependencies and arbitrary features results in a very robust, powerful retrieval model. In addition, he describes several extensions, such as an automatic feature selection algorithm and a query expansion framework. The resulting model and extensions provide a flexible framework for highly effective retrieval across a wide range of tasks and data sets.

A Feature-Centric View of Information Retrieval provides graduate students, as well as academic and industrial researchers in the fields of information retrieval and Web search with a modern perspective on information retrieval modeling and Web searches.