| 研究概要 |
・非適合フィードバックによる対話的文書検索
対話的文書検索では,ユーザが正確なクエリを記述することが難しいため,初期検索でまったく適合文書が得られない場合が多い.これまで我々が開発してきた分類学習ベースの適合フィードバックでは,適合文書と非適合文書の両方が得られないと判別関数の学習ができないため,検索結果が非適合文書だけである初期検索ではフィードバックがかからない.そこで,非適合文書(負例)のみからも分類学習が可能なOne-class SVMを用いて,非適合文書だけからフィードバックのかかる新しい対話的文書検索の枠組みである,非適合フィードバックを提案し,従来法との実験的評価により良好な結果を得た.これにより,初期検索においても,メタ情報源のためのプロファイルを生成可能である.
・トランスダクティブ学習を用いた最小評価によるクエリ拡張
対話的文書検索で,ユーザの判定コストが最小,つまり,適合文書と非適合文書をそれぞれ一つづつ判定して,それらからクエリ拡張を行うシステムを開発した.機械学習のトランスダクティブ学習の方法を用いることで,大量の判定されていない文書を訓練例として利用することにより,より精度の高い判別関数が学習可能になり,その結果,最小評価でのクエリ拡張が実現された.評価実験により,有効性を確認した.このシステムにより,ユーザの最小の認知的負荷で,メタ情報源のプロファイルが生成できる.
・メタ情報源獲得システム全体の実装
これまで,ユーザの検索意図を表すプロファイルを生成するために,対話的文書検索システムとクエリ獲得システムを開発してきた.それらのシステムから得られたプロファイルに基づき,メタ情報源を獲得するシステムを実現するために,最小評価によるクエリ拡張から得られたプロファイルに基づき,情報ストリームとWebコミュニティの2つのメタ情報源を獲得するシステムを実装し,有効なメタ情報源が獲得されることを確認した.
|
