레이블이 있는 훈련 데이터와 레이블이 없는 훈련 데이터를 사용한 자동 웹 쿼리 분류

사용자 쿼리를 정확하게 주제별로 분류하면 범용 웹 검색 시스템에서 효과성, 효율성 및 수익 잠재력을 높일 수 있습니다. 이러한 분류는 시스템이 일반 웹 컬렉션뿐만 아니라 주제별 데이터베이스에서 결과를 반환해야 할 경우 더욱 중요해 집니다. 웹 쿼리는 일반적으로 짧아 쿼리당 몇 가지 특징만 나타내기 때문에 충분한 분류 회수를 유지하는 것이 매우 어렵습니다. 우리는 일반 웹 쿼리의 주제별 분류를 위한 세 가지 접근 방식을 검토합니다: 수동으로 레이블을 붙인 쿼리 목록과의 매칭, 분류기의 감독 학습, 대규모 레이블이 없는 쿼리 로그에서 선택적 선호 규칙을 추출하는 방법입니다. 각 접근 방식은 웹 쿼리 분류 회수 문제를 해결하는 데 장점이 있으며, 세 가지 기술을 결합하면 개별 기술보다 훨씬 더 많은 쿼리를 분류할 수 있습니다. 우리는 실제 웹 쿼리 스트림에서 각 접근 방식의 성능을 평가하고, 우리의 결합된 방법이 쿼리의 46%를 정확하게 분류하며, 최고의 단일 접근 방식보다 거의 20% 더 높은 회수를 보이고 전반적인 효과성이 7% 향상됨을 보여줍니다.