基于大规模搜索日志挖掘的上下文感知搜索研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-25页 |
| ·引言 | 第13-14页 |
| ·研究背景 | 第14-21页 |
| ·信息检索 | 第14页 |
| ·互联网 | 第14-15页 |
| ·搜索引擎 | 第15-16页 |
| ·查询词理解 | 第16-21页 |
| ·研究动机 | 第21-23页 |
| ·研究内容 | 第23-24页 |
| ·组织结构 | 第24-25页 |
| 第2章 相关工作综述 | 第25-37页 |
| ·引言 | 第25页 |
| ·搜索引擎日志挖掘 | 第25-31页 |
| ·查询-点击记录的挖掘 | 第26-28页 |
| ·查询会话数据的挖掘 | 第28-31页 |
| ·个性化搜索 | 第31-35页 |
| ·个性化搜索技术发展概况 | 第31-33页 |
| ·个性化搜索与隐私保护 | 第33-34页 |
| ·个性化搜索VS上下文感知搜索 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第3章 上下文感知的查询建议 | 第37-63页 |
| ·引言 | 第37-38页 |
| ·方法框架 | 第38-39页 |
| ·相关工作 | 第39-40页 |
| ·挖掘查询概念 | 第40-48页 |
| ·查询点击二步图 | 第40-41页 |
| ·查询词聚类算法 | 第41-45页 |
| ·增量式查询词聚类 | 第45-46页 |
| ·分布式查询词聚类 | 第46-48页 |
| ·产生查询建议 | 第48-52页 |
| ·查询会话 | 第48-49页 |
| ·查询概念序列后缀树 | 第49-51页 |
| ·产生查询建议 | 第51-52页 |
| ·实验分析 | 第52-61页 |
| ·对查询-点击二步图进行聚类 | 第53-55页 |
| ·构造查询概念序列后缀树 | 第55-56页 |
| ·实验分析 | 第56-60页 |
| ·算法鲁棒性和伸缩性 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 第4章 上下文感知的查询词分类 | 第63-81页 |
| ·引言 | 第63-64页 |
| ·问题定义 | 第64-66页 |
| ·相关工作 | 第66-67页 |
| ·用CRF对查询上下文建模 | 第67-68页 |
| ·CRF模型的特征函数 | 第68-71页 |
| ·局部特征 | 第68-70页 |
| ·上下文特征 | 第70-71页 |
| ·实验分析 | 第71-80页 |
| ·实验数据和实验设置 | 第71-72页 |
| ·基准方法 | 第72-73页 |
| ·评测标准 | 第73-74页 |
| ·结果分析 | 第74-77页 |
| ·测试例分析 | 第77-79页 |
| ·时间性能分析 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第5章 上下文感知的网页排序和URL推荐 | 第81-109页 |
| ·引言 | 第81-83页 |
| ·VLHMM模型 | 第83-86页 |
| ·相关工作 | 第86-87页 |
| ·大规模v1HMM的训练 | 第87-97页 |
| ·参数初始化 | 第89-91页 |
| ·Partial-EM算法 | 第91-94页 |
| ·分布式学习 | 第94-97页 |
| ·模型应用 | 第97-99页 |
| ·实验分析 | 第99-107页 |
| ·数据集和数据预处理 | 第99-100页 |
| ·v1HMM模型训练效率 | 第100-103页 |
| ·v1HMM模型的有效性 | 第103-107页 |
| ·本章小结 | 第107-109页 |
| 第6章 结束语 | 第109-113页 |
| ·本文工作总结 | 第109-110页 |
| ·本文主要的贡献和创新之处 | 第110-111页 |
| ·进一步研究方向 | 第111-113页 |
| 参考文献 | 第113-125页 |
| 致谢 | 第125-127页 |
| 在读期间发表的学术论文与取得的研究成果 | 第127-128页 |
| ·发表的论文 | 第127页 |
| ·攻读学位期间参与的科研项目情况 | 第127-128页 |
| ·攻读学位期间获得的学术奖励 | 第128页 |
