Kategorisierung von Webanfragen nach geografischer Lage

Webseiten (und Ressourcen im Allgemeinen) können anhand ihrer geografischen Lage charakterisiert werden. Eine Webseite mit allgemeinen Informationen über Wildblumen könnte beispielsweise als globale Seite betrachtet werden, die wahrscheinlich für ein geografisch breites Publikum von Interesse ist. Im Gegensatz dazu könnte eine Webseite mit Angeboten für den Verkauf von Häusern in einer bestimmten Stadt als lokale Seite angesehen werden, die wahrscheinlich nur für ein Publikum in einer relativ engen Region von Interesse ist. Ähnlich zielen einige Suchanfragen (implizit) auf globale Seiten ab, während andere Anfragen lokale Seiten anstreben. Beispielsweise sind die besten Ergebnisse für die Anfrage nach Wildblumen wahrscheinlich globale Seiten über Wildblumen, wie die oben discutierte. Lokale Seiten, die relevant für beispielsweise San Francisco sind, könnten jedoch gut zu einer Anfrage nach Häusern zum Verkauf passen, die von einem San Francisco-Bewohner oder jemandem, der in diese Stadt zieht, gestellt wurde. Leider analysieren Suchmaschinen die geografische Lage von Anfragen und Nutzern nicht, und produzieren daher oft suboptimale Ergebnisse. Eine Anfrage nach Wildblumen könnte Seiten zurückgeben, die Wildblumen in bestimmten US-Bundesstaaten behandeln (und nicht allgemeine Informationen über Wildblumen), während eine Anfrage nach Häusern zum Verkauf Seiten mit Immobilienangeboten für Orte hervorbringen könnte, die für die Person, die die Anfrage gestellt hat, nicht von Interesse sind. Zu entscheiden, ob eine nicht gesehene Anfrage überwiegend lokale oder globale Seiten produzieren sollte – ohne diese Last den Nutzern der Suchmaschine aufzubürden – ist ein wichtiges und herausforderndes Problem, da Anfragen oft mehrdeutig sind oder die Informationen, die sie suchen, unterbestimmen. In diesem Papier adressieren wir dieses Problem, indem wir zuerst definieren, wie man Anfragen anhand ihrer (oft impliziten) geografischen Lage kategorisieren kann. Dann stellen wir mehrere Alternativen vor, um Anfragen in unserem Schema automatisch und effizient zu kategorisieren, unter Verwendung verschiedener modernster Werkzeuge des maschinellen Lernens. Wir berichten über eine umfassende Bewertung unserer Klassifizierer anhand einer großen Stichprobe von Anfragen aus einer echten Web-Suchmaschine und schließen mit der Diskussion, wie unser Ansatz zur Kategorisierung von Anfragen helfen kann, die Qualität der Suchergebnisse zu verbessern.