Navigating Semantically Annotated Queries for Task Understanding

Detalhes bibliográficos
Autor(a) principal: Arthur Barbosa Camara
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMG
Texto Completo: http://hdl.handle.net/1843/ESBF-BAGNPA
Resumo: Enquanto sistemas de busca gradualmente se transformam em assistentes pessoais, usuários cada vez mais se voltam a máquinas de busca para completar tarefas complexas, como planejar uma viagem, alugar um apartamento ou investir em ações. Um desafio-chave para uma máquina de busca é o de entender a tarefa de um usuário por trás de uma consulta de exemplo, como ``passagens para o panamá, ``estúdios em los angeles' ou ``ações do spotify, e recomendar outras consultas que ajudariam o usuário a completar sua tarefa. Nesta dissertação, propomos três estratégias para entendimento de tarefas, navegando um histórico de consultas semanticamente anotadas e usando uma mistura de representações explícitas e latentes de consultas inteiras e partes de consultas. Avaliamos minuciosamente as estratégias propostas no contexto da TREC 2016 Tasks track e via crowdsourcing. Nossos resultados demonstram a efetividade das estratégias propostas em termos de diversidade e novidade, além de sua complementaridade, com melhoras significativas em relação a várias abordagens de recomendação de consultas do estado-da-arte adaptadas para essa tarefa. Além disso, mostramos que nossa proposta é particularmente efetiva para consultas na cauda-longa e consultas difíceis, que englobam um grande número de sub-tarefas.
id UFMG_1b35d8b1577e7496bc6e397ee7304bd7
oai_identifier_str oai:repositorio.ufmg.br:1843/ESBF-BAGNPA
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Rodrygo Luis Teodoro SantosMarcos Andre GoncalvesEdleno Silva de MouraAnisio Mendes LacerdaArthur Barbosa Camara2019-08-14T04:15:14Z2019-08-14T04:15:14Z2018-11-05http://hdl.handle.net/1843/ESBF-BAGNPAEnquanto sistemas de busca gradualmente se transformam em assistentes pessoais, usuários cada vez mais se voltam a máquinas de busca para completar tarefas complexas, como planejar uma viagem, alugar um apartamento ou investir em ações. Um desafio-chave para uma máquina de busca é o de entender a tarefa de um usuário por trás de uma consulta de exemplo, como ``passagens para o panamá, ``estúdios em los angeles' ou ``ações do spotify, e recomendar outras consultas que ajudariam o usuário a completar sua tarefa. Nesta dissertação, propomos três estratégias para entendimento de tarefas, navegando um histórico de consultas semanticamente anotadas e usando uma mistura de representações explícitas e latentes de consultas inteiras e partes de consultas. Avaliamos minuciosamente as estratégias propostas no contexto da TREC 2016 Tasks track e via crowdsourcing. Nossos resultados demonstram a efetividade das estratégias propostas em termos de diversidade e novidade, além de sua complementaridade, com melhoras significativas em relação a várias abordagens de recomendação de consultas do estado-da-arte adaptadas para essa tarefa. Além disso, mostramos que nossa proposta é particularmente efetiva para consultas na cauda-longa e consultas difíceis, que englobam um grande número de sub-tarefas.As search systems gradually turn into intelligent personal assistants, users increasingly resort to a search engine to accomplish a complex task, such as planning a trip, renting an apartment, or investing in stocks. A key challenge for the search engine is to understand the users underlying task given a sample query like ``tickets to panama'', ``studios in los angeles'', or ``spotify stocks'', and to recommend other queries to help the user complete the task. In this dissertation, we propose three strategies for task understanding by navigating a semantically annotated query log using a mixture of explicit and latent representations of entire queries and of query parts. We thoroughly evaluate our proposed strategies in the context of the TREC 2016 Tasks track and via crowdsourcing. Our results demonstrate the effectiveness of the proposed strategies in terms of diversity and novelty, as well as their complementarity, with significant improvements compared to multiple state-of-the-art query suggestion baselines adapted for this task. Moreover, we show that our proposal is particularly effective for long-tail queries as well as for hard queries, which encompass a large number of subtasks.Universidade Federal de Minas GeraisUFMGRecuperação da informaçãoBanco de dados buscaComputaçãoTask UnderstandingQuery SuggestionNeural NetworksInformation RetrievalNavigating Semantically Annotated Queries for Task Understandinginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALarthurbarbosacamara.pdfapplication/pdf8870189https://repositorio.ufmg.br/bitstream/1843/ESBF-BAGNPA/1/arthurbarbosacamara.pdf2f08384c38a5ad4474dac728564cac9dMD51TEXTarthurbarbosacamara.pdf.txtarthurbarbosacamara.pdf.txtExtracted texttext/plain107758https://repositorio.ufmg.br/bitstream/1843/ESBF-BAGNPA/2/arthurbarbosacamara.pdf.txtb7be72f143090a2fd40ca3183c1c3a14MD521843/ESBF-BAGNPA2019-11-14 15:57:25.492oai:repositorio.ufmg.br:1843/ESBF-BAGNPARepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T18:57:25Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.fl_str_mv Navigating Semantically Annotated Queries for Task Understanding
title Navigating Semantically Annotated Queries for Task Understanding
spellingShingle Navigating Semantically Annotated Queries for Task Understanding
Arthur Barbosa Camara
Task Understanding
Query Suggestion
Neural Networks
Information Retrieval
Recuperação da informação
Banco de dados busca
Computação
title_short Navigating Semantically Annotated Queries for Task Understanding
title_full Navigating Semantically Annotated Queries for Task Understanding
title_fullStr Navigating Semantically Annotated Queries for Task Understanding
title_full_unstemmed Navigating Semantically Annotated Queries for Task Understanding
title_sort Navigating Semantically Annotated Queries for Task Understanding
author Arthur Barbosa Camara
author_facet Arthur Barbosa Camara
author_role author
dc.contributor.advisor1.fl_str_mv Rodrygo Luis Teodoro Santos
dc.contributor.referee1.fl_str_mv Marcos Andre Goncalves
dc.contributor.referee2.fl_str_mv Edleno Silva de Moura
dc.contributor.referee3.fl_str_mv Anisio Mendes Lacerda
dc.contributor.author.fl_str_mv Arthur Barbosa Camara
contributor_str_mv Rodrygo Luis Teodoro Santos
Marcos Andre Goncalves
Edleno Silva de Moura
Anisio Mendes Lacerda
dc.subject.por.fl_str_mv Task Understanding
Query Suggestion
Neural Networks
Information Retrieval
topic Task Understanding
Query Suggestion
Neural Networks
Information Retrieval
Recuperação da informação
Banco de dados busca
Computação
dc.subject.other.pt_BR.fl_str_mv Recuperação da informação
Banco de dados busca
Computação
description Enquanto sistemas de busca gradualmente se transformam em assistentes pessoais, usuários cada vez mais se voltam a máquinas de busca para completar tarefas complexas, como planejar uma viagem, alugar um apartamento ou investir em ações. Um desafio-chave para uma máquina de busca é o de entender a tarefa de um usuário por trás de uma consulta de exemplo, como ``passagens para o panamá, ``estúdios em los angeles' ou ``ações do spotify, e recomendar outras consultas que ajudariam o usuário a completar sua tarefa. Nesta dissertação, propomos três estratégias para entendimento de tarefas, navegando um histórico de consultas semanticamente anotadas e usando uma mistura de representações explícitas e latentes de consultas inteiras e partes de consultas. Avaliamos minuciosamente as estratégias propostas no contexto da TREC 2016 Tasks track e via crowdsourcing. Nossos resultados demonstram a efetividade das estratégias propostas em termos de diversidade e novidade, além de sua complementaridade, com melhoras significativas em relação a várias abordagens de recomendação de consultas do estado-da-arte adaptadas para essa tarefa. Além disso, mostramos que nossa proposta é particularmente efetiva para consultas na cauda-longa e consultas difíceis, que englobam um grande número de sub-tarefas.
publishDate 2018
dc.date.issued.fl_str_mv 2018-11-05
dc.date.accessioned.fl_str_mv 2019-08-14T04:15:14Z
dc.date.available.fl_str_mv 2019-08-14T04:15:14Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1843/ESBF-BAGNPA
url http://hdl.handle.net/1843/ESBF-BAGNPA
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.publisher.initials.fl_str_mv UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
bitstream.url.fl_str_mv https://repositorio.ufmg.br/bitstream/1843/ESBF-BAGNPA/1/arthurbarbosacamara.pdf
https://repositorio.ufmg.br/bitstream/1843/ESBF-BAGNPA/2/arthurbarbosacamara.pdf.txt
bitstream.checksum.fl_str_mv 2f08384c38a5ad4474dac728564cac9d
b7be72f143090a2fd40ca3183c1c3a14
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv
_version_ 1801677040742563840

Registros relacionados