基于GIS触摸屏施肥推荐查询系统的开发与应用

为更好地推广平衡配套施肥技术,指导农民科学施肥,运用GIS技术和数据库技术构建触摸屏推荐施肥模型及其参数系统。系统由概况、推荐施肥、信息查询和后台管理等模块组成,实现了精准到耕地单元的农作物施肥推荐。该系统在贵州兴仁县、岑巩县和从江县等地的应用结果表明,其实收单产与系统推荐施肥区的目标产量平均吻合度达96.99%,为农作物的高产高效提供了技术支撑。

基于流形排序的查询推荐方法

针对传统查询推荐方法中存在的相关性度量问题和冗余性问题,该文中提出了一种新的基于流形排序的查询推荐方法。该方法利用查询数据内在的全局流形结构来获得查询之间的相关性,可以有效避免传统方法中相关性度量对高维稀疏查询数据处理的不足;同时,该方法通过提升结构上具有代表性的查询来达到减小查询推荐的冗余性。在一个大规模商业搜索引擎查询日志上的实验结果表明:使用流形排序的查询推荐方法要优于传统查询推荐方法和现有的Hitting-time Ranking方法。

给互联网建立索引:基于词关系网络的智能查询推荐

搜索引擎用户经常提交意图模糊的查询,从而导致搜索失败.为此,提出一种检索交互方式——智能查询推荐,它可以自动辨别查询是否语义明确,并对模糊查询建立体现其不同语义概念的分类目录,这个目录将帮助用户快速定位到合适查询.为了实现智能查询推荐,提出了一种基于自然语言小世界性质的查询语义识别算法——TECH(term concept hunting).TECH综合利用了物理学领域社区发现知识和计算机领域信息检索技术,给出了一种可扩展的算法框架.实验结果表明,与传统查询推荐方式相比,用户更喜欢智能查询推荐;TECH能够有效地辨识模糊查询的不同语义概念,并统计显著优于3个知名的对比系统.

基于用户意图识别的查询推荐研究

信息检索的效果很大程度上取决于用户能否输入恰当的查询来描述自身信息需求。很多查询通常简短而模糊,甚至包含噪音。查询推荐技术可以帮助用户提炼查询、准确描述信息需求。为了获得高质量的查询推荐,在大规模"查询-链接"二部图上采用随机漫步方法产生候选集合。利用摘要点击信息对候选列表进行重排序,使得体现用户意图的查询排在比较高的位置。最终采用基于学习的算法对推荐查询中可能存在的噪声进行过滤。基于真实用户行为数据的实验表明该方法取得了较好的效果。

搜索引擎查询推荐技术综述

查询推荐技术,其用于找出与初始查询或关键词相关的其他查询或关键词,被广泛用于搜索引擎和广告检索系统中。作为当今搜索引擎的必备技术之一,查询推荐技术研究正受到越来越多的关注,近几年出现了很多验证查询推荐可用性及改进其算法的研究工作。为此,该文对查询推荐的发展过程、技术方法、评价体系等方面进行了归纳和总结,分析了查询推荐面临的挑战并讨论了现有解决方法及未来研究思路,希望能对相关研究人员有所帮助。

基于查询意图的长尾查询推荐

查询推荐是一种提升用户搜索效率的重要工具.传统的查询推荐方法关注频度较高的查询,但对于那些频度较低的长尾查询,由于其信息的稀疏性而难以产生好的推荐效果.另外,传统的方法由于没有考虑查询意图对推荐结果的影响,故对长尾查询的推荐会受到查询中噪声单词的影响.该文提出了一种新的关于词项查询图(term-query graph)概率混合模型,该模型能够准确地发掘出用户的查询意图.另外,文中还提出了一种融合查询意图的查询推荐方法,该方法可以将新查询中单词的推荐结果按查询意图自然地融合起来,从而避免了噪声单词对推荐结果的影响.实验结果表明,通过考虑查询意图,可以显著提高长尾查询推荐的相关性.

基于操作序列挖掘的OLAP查询推荐方法

针对联机分析处理(OLAP)操作复杂导致的用户使用效率低下问题,提出基于操作序列挖掘的OLAP查询推荐方法.首先从多维表达式(MDX)查询语句记录中提取整数数列形式的查询序列,再利用PrefixSpan方法对查询序列进行频繁序列模式挖掘,并基于挖掘出的模式及其子模式建立概率矩阵,最后通过搜索与用户当前查询操作或查询序列匹配的候选模式对其下一步查询操作进行预测,并将预测结果按概率大小分级推荐.在7位OLAP专业分析人员的查询分析日志数据集上对提出的查询推荐方法进行性能评价,实验结果表明:使用用户相关模型前5推荐内容的平均正确率为92.20%,其中第1推荐的平均正确率为77.06%.

基于主题与用户偏好分析的查询推荐研究

查询日志分析作为近年来常用的查询推荐方法，常采用基于词共现的上下文来生成查询推荐。本文利用AOL日志，在词上下文分析基础之上，采用主题分析，再结合用户偏好，进行查询推荐建模，实验结果表明：采用主题分析可以显著提升查询推荐的精确度，进一步考虑用户偏好后，推荐效果又有了进一步的提升。

面向多样化搜索背景的查询推荐策略

基于日志的搜索引擎查询推荐方法大多从流行性角度进行查询推荐,这种方式能够带来不错的推荐效果.然而,流行性行为代表群体用户共性的需求,所以这类推荐方法忽略了用户背景不同带来的搜索需求的差异,当小团体用户的搜索需求与流行性需求不一致时,往往造成小团体搜索需求无法被满足,进而导致针对此类用户的推荐失败.而且,在搜索引擎领域,用户信息难以获取,提供个性化推荐服务也比较困难.为了减少推荐失败的风险,提高查询推荐质量,提出一种折衷的解决方案,面向多样化搜索背景的查询推荐策略.在查询流图的基础上构造密集行为块,通过密集行为块表示用户特征,从而构建典型用户行为模型,并以典型用户行为区分用户背景.另外,还提出了面向多样化搜索背景的查询推荐方法,当搜索词面临多种用户背景时,推荐系统提供多样化的推荐词集合,最后,在真实数据集的实验结果证明了本策略能够在较小程度降低准确度的同时降低推荐失败的风险.

基于加权SimRank的中文查询推荐研究

查询推荐是搜索引擎系统中的一项重要技术,其通过推荐更合适的查询以提高用户的搜索体验。现有方法能够找到直接通过某种属性关联的相似查询,却忽略了具有间接关联的语义相关查询。该文将用户查询及查询间直接联系建模为查询关系图,并在图结构相似度算法SimRank的基础上提出了加权SimRank(简称WSimRank)用于查询推荐。WSimRank综合考虑了查询关系图的全局信息,因而能挖掘出查询间的间接关联和语义关系。然而,WSimRank复杂度太高而难以实用,该文将WSimRank转换为一个状态层次图的遍历和计算过程,进而采用动态规划、剪枝等策略对其进行优化从而可以实际应用。在大规模真实Web搜索日志上的实验表明,WSimRank在各项评价指标上均优于SimRank和传统查询推荐方法,其MAP指标接近0.9。

查询推荐研究综述

查询推荐是一种提高用户搜索效率的重要技术,其核心任务是帮助用户构造有效查询并以此准确描述用户信息需求。作为当今搜索引擎的核心技术之一,查询推荐吸引了学术界和工业界的广泛关注,一直以来都是信息检索领域中重要的研究主题。本文以国内外会议、期刊发表的有关查询推荐研究的文献为对象,利用归纳总结方法,首先详细梳理了查询推荐中主流方法——基于简单共现信息的方法、基于图模型的方法以及融合多种信息的方法,然后总结评述了评测方法与指标,最后分析了未来可能的研究方向。

一种流行性与相似性结合查询推荐策略

基于日志的搜索引擎查询推荐方法大多从搜索行为流行性考虑进行查询推荐,这类推荐方法忽略了个体用户背景不同带来的搜索需求的差异,对于一些在搜索引擎日志中有较多记录的用户来讲,难以满足他们更高质量的搜索需求.然而,此类用户的搜索记录又不足以支持系统提供个性化的推荐服务.所以,针对在搜索引擎日志中有较多记录的用户,本文提出一种折衷的解决方案,即流行性与相似性结合的查询推荐策略,提供一种近似于个性化的推荐服务.本文采用社团发现的方法发现搜索日志中的密集行为,从而构建典型用户行为模型代表用户搜索背景,并引入模块度度量典型用户行为的强度,最后结合流行性、群体用户对推荐词的支持程度、用户对用户群体的归属程度以及典型用户行为的强度来产生推荐词集合.本文最后,在真实数据集的实验结果证明了本策略能够在控制推荐失败风险的同时提高用户对推荐结果的满意度.

面向差异化搜索背景的查询推荐方法

搜索引擎中存在一些用户在查询日志中保存部分搜索记录,但又不足以为用户提供个性化的查询推荐。对于此类用户,对其提供具有针对性的推荐服务能够在一定程度上提高用户对推荐结果的满意度。为此,提出一种面向不同搜索背景的差异化查询推荐方法,依据用户搜索行为将用户划分为不同群体,针对不同群体提供不同的推荐服务,实现群体用户之间的差异化推荐服务。在真实数据集上的实验结果表明,该方法能在控制推荐失败风险的同时,提高用户对推荐结果的满意度。

基于吸收态随机行走的两阶段效用性查询推荐方法

搜索引擎已经成为人们获取信息的重要途径,然而对于用户而言如何构造一个合适的查询仍然是一项困难的工作.为了减轻用户搜索信息的负担,查询推荐技术应运而生并且已经成为当今搜索引擎不可或缺的组成部分.传统的查询推荐方法主要关注向用户推荐相关性查询,即推荐与源查询具有相近搜索意图的其他查询.然而查询推荐的根本目标是帮助用户成功完成其搜索任务,而不仅仅是找到相关性查询,尽管相关性查询有时也能得到有用的搜索结果.为了更好地满足用户的搜索目标,一种更直接的查询推荐方式是向用户推荐高效用性查询,即能够更好满足用户信息需求的查询.提出了一个基于吸收态随机行走的2阶段效用性查询推荐方法,该方法能够同时对用户的查询重构行为和查询点击行为进行建模并推导出查询的效用.在真实查询日志上的实验结果表明:新方法在评价指标查询相关率(query relevant ratio,QRR)和平均相关文档数(mean relevant document,MRD)上要显著优于其他5种基准方法.

基于Term-Query-URL异构信息网络的查询推荐

查询推荐是一种帮助搜索引擎更好的理解用户检索需求的方法.基于查询的上下文片段训练词汇和查询之间的语义关系,同时结合查询和URL的点击图以及查询中的序列行为构建Term Query URL异构信息网络,采用重启动随机游走（Random Walk withRestart,RWR）进行查询推荐.综合利用语义信息和日志信息,提高了稀疏查询的推荐效果.基于概率语言模型构造查询的词汇向量,可以为新的查询进行查询推荐.在大规模商业搜索引擎查询日志上的实验表明本文方法相比传统的查询推荐方法性能提升约为3％～10％.

基于智能手机的果品营养查询与推荐系统开发

快速了解不同果品的营养状况对于充分发挥果品的营养价值具有重要作用。以智能手机为平台,设计果品营养查询推荐系统框架;采用移动Web应用(Hybrid App)开发模式,结合JQuery Mobile前端框架技术,通过Android Webview搭建的页面容器,开发手机端应用;使用SQL Server数据库作为信息载体开发服务器端管理。系统实现果品营养查询、果品食用推荐、离线浏览、数据后台管理等系统功能,为指导人们合理食用果品提供参考。

基于变量选择的OLAP查询推荐仿真模型

由于高维OLAP数据集包含的信息量过大并且质量参差不齐,导致用户在查询时难以选取合适的维度集合进行操作,从而影响了决策的效率和准确性。为此,提出将变量选择方法应用于OLAP查询推荐的过程中。为了在包含海量高维信息的OLAP仿真数据集合中识别与度量属性无关的噪声属性及彼此之间存在相关性的维度属性,从而缩小查询范围,同时保持度量属性空间划分结果的准确性,基于非参数方法设计了一种用于支持OLAP查询推荐的变量选择算法FFTB,构建了基于变量选择的OLAP查询推荐仿真模型,通过启发式方法发现与查询目标密切相关的维度,并对OLAP查询的数据环境及查询推荐过程进行了详细的仿真实验,验证了方法的可用性与有效性。仿真实验显示,变量选择方法能够在保证准确性的前提下有效地缩小OLAP查询空间,从而有效辅助决策者从大量数据中选取关键维度,达到OLAP查询推荐的目的,进而提高决策效率。

基于线性回归的相关查询推荐

在分析搜索引擎查询日志的基础上,提出了一种基于线性回归的相关查询推荐方法。该方法考虑了查询串之间的多种关联关系,包括查询串会话共现、点击页面共享和查询串文本相似性,以避免因直接应用查询串之间的部分关联关系造成易受查询日志中噪音的影响。相比以往的方法,采用线性回归的方法来识别相关查询推荐的有效特征,能更好地解决噪音问题和进行有效的相关查询推荐。实验证实,采用线性回归挖掘的识别中文相关查询串的特征非常有效,且所提出的回归模型的预测准确率优于现有的方法。

融合用户实时搜索状态的自适应查询推荐模型

传统的查询推荐算法通过挖掘查询日志为用户推荐查询词。通常现存模型只考虑原始查询词与推荐词之间的关系(例如语义相似性或相关性等),没有考虑用户在搜索过程中的满意度情况。针对用户在搜索过程中表现出的不同满意度状态,提出了一个查询推荐基本假设,并通过开展在线用户问卷调查,验证了这一假设。基于相应的假设,提出了一种基于用户搜索满意度状态的自适应查询推荐模型,该模型可以为用户智能推荐不同种类的查询词。当用户对搜索结果满意时,模型将为用户提供更加新颖的推荐词;当用户对搜索结果不满意时,模型将为用户提供一些增强信息表示能力的查询词。大规模日志实验表明,提出的推荐模型显著优于传统的查询流图模型,证明了所提模型的有效性。

基于领域本体知识库的专业搜索引擎查询推荐算法研究--以盐湖化工领域为例

作为搜索引擎的关键技术之一，查询推荐研究正受到越来越多的关注。由于查询推荐技术与应用领域联系紧密，方法不具有一般普适性，因此研究需要针对不同领域数据的不同特征采用相对应的合适方法对其进行处理。本文以专业知识与工艺流程等为研究对象，以盐湖化工领域为例，在领域本体的基础上利用有向带权图重新组织其概念关系，并将其划分为不同知识包，构建了一个面向工艺流程的专业领域知识库。在领域知识库的基础上本文提出一种新的查询推荐算法，实验结果表明该算法有效地提高面向专业领域的主题检索质量与精度。