Aprendendo a Recomendar Entidades Relacionadas com Serendipidade para Usuários de Busca na Web

A recomendação de entidades, oferecendo sugestões de entidades para ajudar os usuários a descobrir informações interessantes, tornou-se uma característica indispensável dos motores de busca na Web atuais. No entanto, a maioria dos métodos existentes de recomendação de entidades não foi projetada para aumentar o desempenho em termos de serendipidade, que também desempenha um papel importante na apreciação dos usuários por um sistema de recomendação. Para manter os usuários engajados, é importante levar em conta a serendipidade ao construir um sistema de recomendação de entidades. Neste artigo, propomos uma estrutura de aprendizado para recomendar que consiste em dois componentes: a busca de entidades relacionadas e a classificação de entidades candidatas. Para aumentar o desempenho em serendipidade, três conjuntos diferentes de características que se correlacionam com os três aspectos da serendipidade são empregados na estrutura proposta. Experimentos extensivos foram realizados em conjuntos de dados em larga escala, do mundo real, coletados de um motor de busca comercial amplamente utilizado. Os experimentos mostram que nosso método supera significativamente vários métodos de linha de base robustos. Uma análise sobre o impacto das características revela que o conjunto de características de interesse é o conjunto de características mais poderoso, e o conjunto de características de inesperado pode contribuir significativamente para a eficácia da recomendação. Além disso, experimentos controlados online realizados em um motor de busca comercial demonstram que nosso método pode melhorar significativamente o engajamento do usuário em relação a vários métodos de linha de base. Isso confirma ainda mais a eficácia da estrutura proposta.