Key points are not available for this paper at this time.
Les journaux de clics sur les paires de requêtes et de documents fournissent des informations riches et précieuses pour de multiples tâches en recherche d'information. Cet article propose un algorithme de propagation de vecteurs sur le graphe de clics pour apprendre des représentations vectorielles à la fois pour les requêtes et les documents dans le même espace sémantique. L'approche proposée intègre à la fois des informations sur les clics et sur le contenu, et les représentations vectorielles produites peuvent directement améliorer la performance de classement pour les requêtes et lesdocuments qui ont été observés dans le journal de clics. Pour les nouvelles requêtes et documents qui ne figurent pas dans le journal de clics, nous proposons un cadre en deux étapes pour générer la représentation vectorielle, ce qui améliore considérablement la couverture de nos vecteurs tout en maintenant la haute qualité. Des expériences sur des journaux de recherche à l'échelle du Web provenant d'un moteur de recherche commercial majeur démontrent l'efficacité et l'évolutivité de la méthode proposée. Les résultats de l'évaluation montrent que les scores NDCG sont significativement améliorés par rapport à plusieurs références en utilisant la méthode proposée à la fois comme modèle de classement et comme caractéristique dans un cadre d'apprentissage au classement.
Jiang et al. (Jeu,) ont étudié cette question.