ارائه روش مبتني بر فولكسونومي در بازيابي اطلاعات اجتماعي جهت فرآيند گسترش پرس‌و‌جو

Improvement of Query Expansion Process in Social Information Retrieval Using folksonomy

بازيابي اطلاعات روزانه بر روي وب معمولا تحت يك موتور جستجو انجام مي شود. با اين حال مدل كلاسيك IR ابعاد اجتماعي وب را در نظر نميگيرد. براي پركردن شكاف بين IR و شبكه هاي اجتماعي آنلاين از اطلاعات استخراج شده از شبكه هاي اجتماعي استفاده مي‌شود. اين فرآيند بازيابي اطلاعات اجتماعي ناميده ميشود. در اين پژوهش ميخواهيم براي كوئري هاي مشابه دو كاربر متفاوت دو كوئري مختلف نسبت به مشخصات و علاقه كاربر گسترش داده ‌شود. پس ابتدا به برخي از مهمترين تحقيقات در زمينه SIR مي‌پردازيم سپس براي بهبود بازيابي اطلاعات اجتماعي چارچوب شخصي سازي شده گسترش كوئري اجتماعي را شرح ميدهيم. اين چارچوب از داده هاي اجتماعي فولكسونومي و ساختار آن براي گسترش كوئري استفاده ميكند. در اين تحقيق براي افزايش دقت گسترش كوئري روشي را پيشنهاد ميكنيم كه در آن درجه علاقه كاربر به تگ كانديد شده براي گسترش علاوه بر شباهت معنايي در نظر گرفته شده است. روش پيشنهادي را با استفاده از شاخص MAP و MRR بر روي داده‌هاي واقعي مورد بررسي قرار مي‌دهيم. نتايج نشان مي‌دهد كه روش پيشنهادي شامل بهبود در مقايسه با روش هاي گسترش كوئري TagRank، روش مبتني بر همسايگي و روش جست‌وجوي معنايي گسترده بوده كه در شاخص MAP 13.85 درصد و در شاخص MRR 18.12 درصد بهبود داشته است.

Information retrieval is performed every day in an obvious way over the Web, typically under a search engine. However, classic models of IR don’t consider the social dimension of the Web. Therefore, classic models of IR and even the IR paradigm should be adapted to the socialization of the Web, in order to fully leverage the social context that surround web pages and users. Based on the proposed method for the same query, different users according to the specifications and user interest will obtain different expanded queries. In this research, a personalized social query expansion framework is proposed to provides a user-dependent query expansion based on the constructed social knowledge and folksonomy. In this method, the user interest rate is considered in addition to the semantic similarity for expanding the user s query. The performance of the proposed method is compared with the TagRank algorithm, neighborhood based approach and with the Expanded Semantic Search query expansion based on Mean Average Precision and Mean Reciprocal Rank. The results show that in the proposed method, we obtain an improvement of almost 13.85% of the Mean Average Precision and 18.12% of the Mean Reciprocal Rank than the previous approaches of query expansion.