Hacia la extensión y la representación mejorada para consultas ambiguas con el aprendizaje de gráficos heterogéneos de búsqueda

Área de la Ciencia:

• Recuperación de la información
• Inteligencia artificial
• Ciencias de la computación

Sus antecedentes:

• Los motores de búsqueda en línea luchan con consultas ambiguas, lo que lleva a una mala interpretación de la intención del usuario.
• Los métodos tradicionales se basan en el historial de búsqueda individual o grupal, enfrentando desafíos con nuevos usuarios (inicio en frío) y diversas intenciones de los usuarios.

Objetivo del estudio:

• Mejorar la representación de las solicitudes de búsqueda mediante la incorporación de datos de las redes sociales de los usuarios.
• Desarrollar un modelo que deduce con precisión la intención de consulta del usuario a pesar de la escasez de datos y los problemas de arranque en frío.

Principales métodos:

• Construido un gráfico heterogéneo usuario-consulta-documento que incorpora datos de la red de amigos.
• Desarrolló TAHAN (red de atención de gráficos heterogéneos conscientes del tipo) para modelar características de comportamiento e interrelaciones.

Principales resultados:

• TAHAN supera a los modelos de última generación para mejorar la representación de la intención de la consulta.
• Demostró un rendimiento superior para abordar la escasez de datos y los desafíos de arranque en frío en la búsqueda.

Conclusiones:

• El modelo TAHAN propuesto mejora efectivamente la comprensión de la intención de la consulta del usuario.
• Las redes de atención de gráficos heterogéneos ofrecen un enfoque prometedor para la recuperación de resultados de búsqueda personalizados y precisos.