Key points are not available for this paper at this time.
之前的研究调查了如何利用互联网可获得的新类型社交数据，例如标签、评分和评论，以推荐和个性化信息。然而，以前的工作主要集中在使用协同过滤预测评分或在模拟中量化个性化排名质量。因此，社交信息在用户信息搜索和信息选择行为中的影响仍然模糊不清。我们研究的目标是调查社交信息对用户互动搜索和信息选择行为的影响。我们提出了一种计算方法和一个系统实施，结合了不同的图层：社交、个人和搜索时用户输入，并可视化供用户使用，以支持互动信息搜索。我们报告了一项受控实验室实验，其中24名用户使用三种系统变体进行搜索任务，这些变体的图层由来自Yelp的最大公共社交内容和评论数据组成：个人偏好、结合个人偏好的标签，以及结合个人偏好的标签和社交评分。包括搜索日志、问卷、模拟和眼动追踪记录的数据表明：1）与基于内容的排名相比，使用和可视化社交评分信息和个人偏好信息提高了搜索效率。2）在选择信息之前咨询外部信息的需要因不同图层对搜索结果的影响而减少。搜索效率的改善可以归因于社交评分和个人偏好图层的使用，这在随后的模拟研究中也得到了确认。通过所提出的方法，我们展示了如何通过叠加代表不同信息源的图层将社交信息纳入互动搜索过程。我们表明，社交评分信息和个人偏好信息的结合提高了搜索效率，减少了咨询外部信息的需要。我们的方法和发现可以为利用社交网络上可用信息的互动搜索系统的设计提供参考.
Orso等人（周五）研究了这个问题。