|
交互式搜索意图理解：超越传统搜索的信息发现*
来源：《中国计算机学会通讯》2015年第3期《译文》 作者：图邬卡·鲁特撒罗(Tuukka Ruotsalo) 朱利奥·亚库奇(Giulio Jacucci) 佩特里·麦里马克(Petri Myllym?ki) 塞缪尔·卡斯基(Samuel Kaski) 译者：刘奕群 http://www./sites/ccf/xhdtnry.jsp?contentId=2851766225118
即使在搜索开始时用户并没有显式给出搜索意图，系统也应当使用户的搜索逐步逼近其所需要的相关信息。 主要观点： ● 现代搜索引擎在协助用户完成复杂查询任务方面的能力仍极为有限，用户需要将大量认知精力耗费在寻找导航提示上，这使得阅读和选择所需信息的过程不可避免地受到影响。 ● 交互式搜索意图理解通过计算建模和可视化交互的方式协助用户进行信息探索，通过有效的交互界面使得用户有效获取信息。 ● 在进行任务级别的信息查找时，交互式搜索意图理解能够极大提高用户的信息获取效率（提升超过100%）。 研究背景： 根据用户行为分析的最新研究进展，用户搜索行为中有相当比例属于“信息探索”的范畴，用户在进行这类搜索时，其信息需求往往较为复杂并且具有动态演化的特性[18]。用户因而面临着如何构建合适的查询以表述其信息需求，进而查找到所需信息的问题。信息搜索研究中的一系列相关工作，如弗纳斯(Furnas)等人[13]，萨拉塞维克(Saracevic)与坎特(Kantor)[21]，以及贝茨(Bates)[7,8]等人的工作都展示了这一问题的存在。通过编写查询的方式来获取信息并不属于人类所熟悉的交互行为模式，例如，弗纳斯等人[13]的工作中，两名具有同样搜索意图的实验对象在选择查询关键词上的一致性概率仅有不足0.2，这意味着通用搜索环境中80%到90%的失败几率。萨拉塞维克与坎特[21]，以及后来的赵(Zhao)与卡伦(Callan)[25]也得到了类似的实验结果。这些发现充分说明，以用户编写查询为主要交互方式的搜索技术存在着局限，而更加合理的搜索交互技术应当能够对用户尚未清晰表述的搜索需求进行主动发现与建模。 当前商用搜索引擎的简单交互方式以向用户提供搜索结果列表为主要形式，这使得用户不得不将其有限的注意力资源集中在发现可能与其信息需求相关的信息资源上，而更为理想的搜索引擎系统，应当具备发现用户潜在搜索意图的能力。实际应用环境里，用户对其信息需求的描述往往很难做到最优，通常情况下，用户查询仅能为其真实搜索意图提供有限的线索，这要求搜索引擎系统需要提供相应技术功能，使用户能够在与搜索引擎的交互过程中逐渐优化其意图表达。这种更加适应人类信息处理能力的搜索交互机制需要整合人机交互、信息检索和机器学习等方面的技术成果，为克服搜索引擎与人类认知能力之间的障碍提供有效手段。 当前，已经有部分研究人员开展了自适应搜索和交互式搜索的技术研究。赫斯特(Hearst)等人[16]基于信息过滤与可视化技术开发了多种用户搜索交互界面，以层次化、属性化[24]与结果聚类[16]等形式来展示查询关键词与搜索结果之间的相似性[15]。马尔基奥尼尼(Marchionini)[18]提出了一种支持信息探索功能的搜索界面，并提供了相应的视频浏览与内容检索功能。尽管这部分研究工作都具有很强的实用性，也展示了提升搜索性能的潜力，但它们仍旧局限在对搜索引擎针对给定用户查询所反馈的结果信息的挖掘整合上。当用户并不熟悉相关领域的背景知识和语境时，其最初的信息需求表述（甚至包括后续的查询修改）往往不是最优的[12]，这将使得上述技术方案的有效性大打折扣。 不仅如此，用户通常会在搜索过程中逐渐习得与查询需求相关的表述形式，这使得用户的查询过程往往受到搜索引擎针对最初查询返回结果内容的限制。例如，用户在进行“搜索引擎”这一主题的查询时，所获得的信息条目中绝大部分都只包括与“搜索引擎”相关的词汇，这使得用户基本不可能探索到与“搜索引擎”相关的其他主题的内容（如“信息检索”、“信息搜索行为”等）。在这些相关工作之外，绝大部分信息检索理论与系统研究均假设用户在搜索交互过程中仅进行较为有限的交互，而主要充当被动的信息获取者的角色。
将搜索意图理解与可视化用户交互技术结合，能够有效协助用户发现新知识并极大提升其信息获取过程的效率。 现代商用搜索引擎每天处理数以亿计的请求，并在毫秒级向用户反馈相应的搜索结果。对于那些用户可以方便地组织查询进行查找的任务（例如“定位最近的餐馆”、“找到某本书的书评信息”等），搜索引擎的处理效果日臻完美。然而，搜索引擎却不太擅于处理那些使用简单的关键词查询无法很好描述的复杂查询任务（例如信息挖掘或者发现等）。在这类通常被称为“探索类搜索”的信息挖掘与发现任务中，用户通常无法有效地描述其需求，并且在反复的搜索和阅读过程中产生新的搜索意图[8, 9, 18]。这一现象在当前各类信息检索系统中普遍存在，其根源则可以追溯到20世纪80年代就被研究人员描述过的“词汇不匹配”问题[13]。本质上，“词汇不匹配”问题的根源在于：由于知识背景的差异，内容信息的生产者和消费者通常使用截然不同的词汇来描述相同的含义，这造成了“编码”（撰写内容）与“解码”（搜索内容）过程不匹配的困境[8, 21]。 随着网络应用水平的提高，搜索行为逐渐从简单的网页定位任务进化为包括信息探索在内的一系列复杂任务[23]，信息需求和查询意图的不确定性也与日俱增，如何协助用户更好地完成各类复杂搜索任务则变得日益重要。 为此，交互式搜索意图理解技术应运而生，通过增强信息检索系统与用户之间的交互能力，该项技术能够超越传统搜索实现发现信息的功能。在交互式搜索意图理解技术的支持下，搜索引擎系统挖掘可能与用户需求相关的搜索意图，并将这些意图通过可视化的方式展现在当前需求的周围，用户可以对这些搜索意图进行选择，搜索引擎会根据用户的选择实时修正对用户搜索意图的评估。 交互式搜索意图理解系统基于如下两个原则进行设计： 可视化：系统需要能够将用户的信息需求和可能的搜索意图在二维信息空间中加以可视化展示（如图1所示）； 动态调整：由于用户的反馈通常是有限且偏颇的，因此，系统所建立的用户意图模型必须能够对不确定性加以处理，并且有效地平衡用户在信息空间中的广度探索与深度挖掘这两方面的需求。 通过对用户查询和数据元素（如关键词等）的可视化，交互式搜索意图理解系统能够展示其对用户搜索意图的理解，并将当前的查询需求和可能的搜索意图发展方向在信息空间中加以展示。在查询过程之初，搜索引擎对用户信息需求的理解往往十分有限，这要求系统需要能够在初始查询输入时即可对用户意图加以预测。将用户意图及他们之间的关系展示在信息空间之后，用户能够对该模型进行必要的反馈，系统依据反馈信息更新其对用户意图的评估，并返回相应检索信息，更新信息空间的展示。 交互式搜索意图理解示例 SciNet科技文献搜索系统(http://augmentedresearch.hiit. fi/)是一个依照交互式搜索意图理解技术的两大原则设计实现的信息检索系统（如图2所示）[20]。该系统目前已经索引了超过5000万篇科技文献，旨在协助用户更好地理解初始查询内容，并通过反馈迭代快速定位到特定研究领域的相关文献[14, 20]。 在图2所展示的应用场景中，用户希望了解“三维手势(3D gesture)”的相关内容，他输入这个词作为其初始查询。随后，SciNet系统将包含用户当前搜索意图和可能的搜索意图以及他们之间关系的信息空间图以雷达图的形式展现给用户。用户即可在此界面上对系统提供的各个可能的搜索意图进行操作，并逐渐推进搜索进程。 图2(a)展示了系统对初始查询“三维手势(3D gesture)”的响应结果，可以看到，“视频游戏(video games)”、“用户界面(user interface)”、“手势识别(gesture recognition)”、“虚拟现实(virtual reality)”等可能的搜索意图被展示在不同的方向上。在图2(b)中，用户选中了“手势识别(gesture recognition)”作为进一步的搜索目标，系统因而根据用户的交互历史提供了更为具体（如“最近邻方法”、“隐马尔科夫模型”等）或者更为宽泛（如“指示手势”、“空间交互”等）的一系列后续搜索方向供其选择。在这一过程中，系统依照用户反馈对候选搜索意图的相关性和不确定性进行评估，并基于一种快速的在线回归模型完成任务级别的搜索意图理解[20]。搜索意图在系统中被展示为一系列的关键词项，而选择哪些意图加以展示的过程是基于“探索-挖掘”(exploration-exploitation)范式来完成的。这一选择过程中，系统对候选搜索意图的相关性和确定性均予以重视，这使得不同类型的搜索意图都可能在系统中得以展现，用户因而可以较自由地选择进行广度探索或深度挖掘。例如，如果用户在选择了“手势识别”之后又选择了“隐马尔科夫模型”，则系统一方面基于深度挖掘的策略推荐与这一系列选择最为相关的内容，即基于隐马尔科夫模型进行手势识别相关的具体技术论文，另一方面也会基于广度探索的策略展示一些更具不确定性的搜索意图（如手势识别中的其他计算模型等）。 从信息检索研究的角度来讲，向用户主动展示一部分具有不确定性的候选搜索意图是与以最大化相关性为主要目标的传统方法背道而驰的。交互式搜索意图理解系统引入这一策略，主动提供一些尽管与初始查询并不显著相关，但可能对用户探索发现信息有益的资源，从而协助用户解决“词汇不匹配”问题。实验结果显示，这一策略能够显著提升任务级搜索性能。 为了实现这一功能，系统的用户交互界面提供了一种较为自然的相关性反馈机制，系统提供了随鼠标移动的关键词内容放大功能，以便利用户阅读。用户只须将关键词拖近或拖离雷达图中央，就可以提升或降低其重要程度，并触发系统即时对搜索意图和搜索结果进行更新。与其他展现形式相比，系统所采用的雷达图能够较好地平衡信息展现的数量与可读性，避免了用户交互自由度设置不当带来的与可视化界面交互困难的问题。 搜索意图的可视化交互 SciNet系统的例子向我们展示了可视化技术能够有效引导用户反馈。用户反馈可以直接对构建搜索意图模型（图2雷达图区域中的内圈）或确定未来探索方向（图2雷达图区域的外圈）作出贡献。由于受“词汇不匹配”问题的影响，绝大部分用户往往难以将其信息需求准确表述为查询关键词，因而其初始构建的查询也往往不够精准。因此，在后续的交互过程中，建立合理的交互与反馈机制引导用户反馈进而明确搜索意图就显得格外重要。这一论断可以认为是建立在认知科学中普遍被承认的“辨识比回忆更容易完成”[3]的基础上，根据这一理论，人类辨识特定事物的能力往往优于从无到有描述该事物的能力。 尽管如此，大量信息检索领域的相关研究工作证实，即使相关性反馈能够使搜索系统更好地满足用户搜索需求，用户却并不乐意提供这种显式的反馈信息[18]。这一现象与另外两个认知科学中的发现密切相关，即：相比复杂的事物而言，用户更容易辨识简单的事物；相比独立的概念而言，用户更容易理解相关的概念[6]。鉴于以上发现，要求用户判断特定的文档相关性甚至比要求其组织一个新查询更加困难。 信息可视化技术将费时费力的相关性评估工作转变成为了一个更加自然流畅的辨识过程。与要求用户阅读完整的文档内容并进行相关性判断相比，从文档中提取关键内容供用户进行搜索意图的选择显然更加便捷[1, 17]。 最近的研究工作中，可视化技术也被应用于文献引用关系的推理与挖掘，例如：增量交互式数据网络[10]等。尽管此类系统展示了可视化在推理挖掘中的重要性，此类系统往往仅允许用户基于数据网络中已有的链接进行信息访问，而并不支持用户参与修正搜索意图模型的操作[1]。 借助搜索意图可视化技术，信息检索系统呈现给用户一系列适合人类视觉感知系统处理的意图信息，并且随着用户与系统的交互引发相应意图数据随之动态变化的同时，这一特性仍然能够保持。这类交互系统需要支持在线计算的数据驱动的可视化技术，以便交互过程的在线运算需求。不仅如此，该系统除了展现用户已经较为熟悉和容易辨识的信息条目之外，还应从这些用户熟悉的条目出发，通过关联关系展现对用户进行信息探索有益的其他信息，以避免用户陷入高度重复的上下文信息（通常被称为“上下文气泡”）中。 在广度探索与深度挖掘中寻找平衡 在我们展示的以SciNet为代表的交互式搜索场景中，搜索具有高度动态演化的特性，这使得我们不仅要充分利用用户反馈推进信息深度挖掘过程，也应当为信息的广度探索提供必要的支持。用户应当既能够在信息空间中聚焦于特定主题（信息挖掘），又能够适当扩展其搜索以了解更多相关主题的内容（信息探索）。 这一机制的建立对于试图了解陌生领域信息的用户尤为重要。通常情况下，检索用户容易陷入心理学家描述的“锚定偏置”的心理状态中，即用户在不确定性较高的情况下，有过分依赖于其最早获得的特定信息（锚定信息）而不愿进行调整的倾向[22]。用户在交互过程中因而不愿放弃初始的信息需求描述或对其进行较大修改，这将导致用户后续的查询意图描述偏向于已有的知识结构，并影响其对新信息的进一步发现与探索。 这一行为现象对使用机器学习方法进行搜索意图理解提出了新的挑战，一种理想的机器学习方法应当能够在预测用户搜索意图的同时，允许用户保持对搜索过程的掌控，这使得在线学习方法成为了必然的选择。在线学习方法能够在每次获知用户反馈信息后及时更新模型，以便对搜索意图的未来演化方向加以预测。在线学习方法的目的是通过交互方式对内容的相关性进行预测，这意味着在算法进行预测之后，用户将即时给出预测效果的反馈，而相关反馈信息则会被立即用于检索系统对预测模型的优化。 传统机器学习方法在面向在线预测问题时，往往无法判断何种交互选项最有助于系统提升预测与可视化效果，简单地将当前系统认为最为相关的意图作为预测方向将使算法受困于次优解，使得用户停留在其先验知识定义的有限信息空间（“上下文气泡”）中。例如，由于其初始查询的范围过于具体，搜索“三维手势”的用户在此策略下将无法获取到诸如“指示手势”等需要加以探索才能获得的信息。一种在收集利用用户反馈信息的同时保持信息探索能力的策略是采用增强学习中的“探索-挖掘”范式[5]。在该学习范式中，预测模型与其环境（用户）形成在线的信息环路，学习过程则是一个在广度探索（展示用户未探索到的信息条目以收集反馈信息）与深度挖掘（展示与当前搜索意图最为相关的信息条目）中寻找平衡的过程。 在在线学习方法所构建的意图模型指导下，搜索系统将协助用户在不确定性条件下进行信息搜索，并提供针对模型预测结果的反馈信息。由于反馈信息数量有限，质量也参差不齐，关于用户需求的判定结果主要是不确定性的，这使得检索系统需要具备处理不确定性数据的能力。此外，鉴于上述算法都是建立在概率模型的基础上，它们将对预测结果的不确定性进行定量度量，并以此决定展现给用户的是最优条目[5]。 从单一查询效用到任务整体效果 在进行处理用户信息需求的信息检索系统研究时，需要充分意识到系统设计的出发点并非提升单一查询级别的效用，而是提升整个任务级别的效果。在交互信息检索系统中，用户经常被要求付出额外的努力以完成搜索任务。尽管这些努力可能并非全部有效，用户往往仍能够通过这一过程更加有效地完成任务。为了对检索性能有全局性的理解，我们认为应当同时关注检索系统两个方面的特性：检索系统在处理具有清晰表述的特定信息需求时的效果，以及在系统交互模式下用户完成任务的整体效果。 我们设计了基于任务的检索实验，以验证SciNet系统的性能。在该实验中，要求每位用户在30分钟时间内使用检索系统访问一个超过5000万篇学术论文的语料库。我们比较了具有交互意图理解能力的检索系统与一个针对手工输入查询返回搜索结果列表的传统检索系统的性能。检索结果质量、可视化使用方式与反馈机制均被纳入了性能评估的范畴[14, 20]。实验结果证明，交互意图理解能够显著提升用户完成搜索任务的效果。根据专家的评判，交互意图理解系统任务完成的效果明显较优，而用户交互界面在提升交互能力的同时并未增加搜索所需的时间。我们认为，SciNet系统提供的可视化与交互模型改进了信息检索质量，因此相对传统检索系统而言带来了较大的性能提升。特别值得一提的是，交互意图理解方法在不损失精度的同时召回了更多新信息。这一实验结果说明，与基于传统交互方式的检索系统相比，交互意图理解技术能够有效提升信息探索与发现的效率（参见表1）。 普适计算环境中的意图理解 对于检索系统而言，吸引用户更好地完成交互过程将有助于建立更好的交互模式，并降低用户信息需求表达中的不确定性。前文中，我们发现SciNet系统能够显著提升用户完成检索任务的效果，但这仅仅是在搜索系统设计中融入人本计算理念的最初一步。具有意图感知能力的检索系统应当至少可以利用如下两种技术形式进一步提升其性能。 可穿戴设备与增强现实技术 利用头戴式可视设备(Head-Mounted Displays, HMDs)，检索系统可以通过预知用户可能感兴趣的事物实现功能扩展，为用户提供增强现实的场景体验。用户对所展示元素的显式或隐式反馈在一定程度上展示了其真实意图，系统进而就可以利用这些上下文反馈信息即时改进对用户意图的估计。图3(a)展示了特定信息元素（如研究主题、研究小组、论文等）是如何在头戴式可视设备构建的增强现实场景中进行展示，以便用户进行辨识和交互的[2]。依照图中的示例，在用户参加会议的海报论文展示环节的过程中，系统可以通过各类视觉线索收集信息以推知用户兴趣和意图，从而在用户不与搜索引擎进行任何交互的前提下建立搜索意图模型。 利用生理计算技术收集隐式反馈信息 可穿戴计算技术的进步（如可穿戴式脑电图仪的出现）使得实时收集用户的情感或认知状态成为可能，包括智能手表等腕部可穿戴设备中也集成了越来越多的生理状态传感器（如测定皮肤电流或心跳的传感器）。这使得研究者可以收集到众多之前难以获知的人类生理信号，并将其应用于反馈信息的提取中。 已有研究工作说明，情感状态信息有助于提升相关性预测的准确性[4]，而生理心理信号也已被多媒体检索系统用于提升性能[19]。图3(b)展示了一个利用脑电传感器收集大脑信号并进行词项级别相关性预测的实验系统。在实验中，通过收集被试用户的神经活动信息，可以直接对特定文本词项与特定主题的相关性进行判定[11]。基于生理特征的相关性判断信息或面向视觉环境的隐式反馈信息可以作为显式反馈信息的有益补充，协助检索系统提升意图理解的效果。 结论 大量近期研究进展说明，搜索引擎在支持用户完成探索类查询任务方面还有相当大的提升余地。总体而言，研究人员普遍意识到，需要构建更加合理的检索与信息探索机制，以便将人类与计算机的信息处理能力更有效地结合。 交互式搜索意图理解是一种在理论上合理、在实际应用中也行之有效的方法，能够有力支持用户进行信息探索与发现的过程。它能够提升用户的信息处理能力，并协助用户在繁杂的信息空间中进行高效的信息发现。 交互式搜索意图理解为用户提供了更好获知信息空间的有效手段，也使得用户能够更有效地提供反馈信息，以便系统能够高效地理解用户的真实搜索意图。 为推动用户更加主动地参与到搜索系统交互反馈的机制中，以便提升其信息探索与知识获取的水平，需要搜索交互技术跳出传统的“关键词查询框+结果列表展示”的窠臼，以便用户能够更有效地与系统进行交流并更好地掌控其信息发现的过程。在交互过程中，基于包含大量噪音的用户反馈信息实时对意图进行理解建模是非常困难的过程，需要机器学习模型具有在线学习与扩展的能力。信息检索系统的设计过程也必须最终整合包括交互可视化、意图预测、多模态反馈等方面的技术，还需要对任务和目标级别的高层上下文信息有充分的认知。 与简单的定位相关文档相比，我们需要检索系统在协助人类完成信息获取任务方面发挥更大的作用。用户因而需要一种适应其信息获取能力与行为模式的搜索引擎系统，而不是只能被动地适应系统本身。■ 致谢： 本文工作得到芬兰科学院(278090, Multi-vire 255725 and the COIN Center of Excellence 251170)，芬兰国家技术创新局(D2I and Re:KnoW)以及欧盟理事会第7框架项目(MindSee 611570)的部分支持。部分数据来自于汤姆逊路透公司Web of Science数据库，也有部分数据采集自ACM, IEEE及Springer数字图书馆的内容。 注： * 本文译自Communications of the ACM, "Interactive Intent Modeling: Information Discovery Beyond Search", 2015, 58(1): 86~92一文。 表： 表1 交互意图理解技术的主要优势
图： 作者： 图邬卡·鲁特撒罗(Tuukka Ruotsalo)：阿尔托大学赫尔辛基信息技术研究所博士后研究员。tuukka.ruotsalo@aalto.fi 朱利奥·亚库奇(Giulio Jacucci)：芬兰赫尔辛基大学计算机科学系教授，MultiTaction 公司联合创始人。giulio.jacucci@cs.helsinki.fi 佩特里·麦里马克(Petri Myllym?ki)：芬兰赫尔辛基大学计算机科学系教授。petri.myllymaki@cs.helsinki.fi 塞缪尔·卡斯基(Samuel Kaski)：阿尔托大学赫尔辛基信息技术研究所所长，阿尔托大学信息与计算机科学系教授。samuel.kaski@hiit.fi 译者：
CCF高级会员。清华大学副教授。主要研究方向为互联网信息检索。yiqunliu@tsinghua.edu.cn 参考文献 [1] Ahn, J.-W. and Brusilovsky, P. Adaptive visualization for exploratory information retrieval. Information Processing & Management 49, 5 (Sept. 2013), 1139~1164. [2] Ajanki, A., Billinghurst, M., Gamper, H., J?rvenp??, T., Kandemir, M., Kaski, S., Koskela, M., Kurimo, M., Laaksonen, J., Puolam?ki, K., Ruokolainen, T., and Tossavainen, T. An augmented reality interface to contextual information. Virtual Reality 15, 2-3 (June 2011), 161~173. [3] Anderson, J.R. Learning and Memory: An Integrated Approach, First Edition. John Wiley & Sons, New York, 2000. [4] Arapakis, I., Athanasakos, K., and Jose, J.M. A comparison of general vs. personalised affective models for the prediction of topical relevance. In Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval (Geneva, Switzerland, July 19–23). ACM Press, New York, 2010, 371~378. [5] Auer, P. Using confidence bounds for exploitation exploration trade-offs. Journal of Machine Learning Research 3 (Mar. 2003), 397~422. [6] Avons, S., Wright, K., and Pammer, K. The word-length effect in probed and serial recall. The Quarterly Journal of Experimental Psychology 47, 1 (1994), 207~231. [7] Bates, M.J. Subject access in online catalogs: A design model. Journal of the American Society for Information Science 37, 6 (Nov. 1986), 357~376. [8] Bates, M.J. Indexing and access for digital libraries and the Internet: Human, database, and domain factors. Journal of the American Society for Information Science 49, 13 (1998), 1185~1205. [9] Belkin, N.J., Oddy, R.N., and Brooks, H.M. Ask for information retrieval: Part I: Background and theory. In Readings in Information Retrieval. Morgan Kaufmann Publishers Inc., San Francisco, CA, 1997, 299~304. [10] Chau, D.H., Kittur, A., Hong, J.I., and Faloutsos, C. Apolo: Making sense of large network data by combining rich user interaction and machine learning. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (Vancouver, BC, Canada, May 7–12). ACM Press, New York, 2011, 167~176. [11] Eugster, M.J.A., Ruotsalo, T., Spapé, M.M., Kosunen, I., Barral, O., Ravaja, N., Jacucci, G., and Kaski, S. Predicting term-relevance from brain signals. In Proceedings of the 37th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (Gold Coast, Queensland, Australia, July 6–11). ACM Press, New York, 2014, 425~434. [12] Fu, W.-T. and Gray, W.D. Resolving the paradox of the active user: Stable suboptimal performance in interactive tasks. Cognitive Science 28, 6 (Nov. 2004), 901~935. [13] Furnas, G.W., Landauer, T.K., Gomez, L.M., and Dumais, S.T. The vocabulary problem in human-system communication. Commun.ACM 30, 11 (Nov. 1987), 964~971. [14] Glowacka, D., Ruotsalo, T., Konuyshkova, K., Athukorala, K., Kaski, S., and Jacucci, G. Directing exploratory search: Reinforcement learning from user interactions with keywords. In Proceedings of the 2013 International Conference on Intelligent User Interfaces (Santa Monica, CA, Mar. 19–22). ACM, Press, New York, 2013, 117~128. [15] Hearst, M.A. Tilebars: Visualization of term distribution information in full text information access. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (Denver, CO, May 7–11). ACM Press/Addison-Wesley Publishing Co., New York, 1995, 59~66. [16] Hearst, M.A. and Pedersen, J.O. Reexamining the cluster hypothesis: Scatter/gather on retrieval results. In Proceedings of the 19th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (Zurich, Switzerland, Aug. 18–22). ACM Press, New York, 1996, 76~84. [17] Lehmann, S., Schwanecke, U., and D?rner, R. Interactive visualization for opportunistic exploration of large document collections. Information Systems 35, 2 (Apr. 2010), 260~269. [18] Marchionini, G. Exploratory search: From finding to understanding. Commun. ACM 49, 4 (Apr. 2006), 41~46. [19] Moshfeghi, Y. and Jose, J.M. An effective implicit relevance feedback technique using affective, physiological and behavioural features. In Proceedings of the 36th International ACM Conference on Research and Development in Information Retrieval (Dublin, Ireland, July 28–Aug. 1). ACM Press, New York, 2013, 133~142. [20] Ruotsalo, T., Peltonen, J., Eugster, M., and et al.. Directing exploratory search with interactive intent modeling. In Proceedings of the 22nd ACM International Conference on Information & Knowledge Management (San Francisco, CA, Oct. 27–Nov. 1). ACM Press, New York, 2013, 1759~1764. [21] Saracevic, T., Kantor, P., Chamis, A. Y., and Trivison, D. A study of information seeking and retrieving. I. Background and methodology. Journal of the American Society for Information Science 39, 3 (May 1988), 161~176. [22] Strack, F. and Mussweiler, T. Explaining the enigmatic anchoring effect: Mechanisms of selective accessibility. Journal of Personality and Social Psychology 73, 3 (Sept. 1997), 437~446. [23] Wilson, M.L., Kules, B., Schraefel, M.C., and Shneiderman, B. From keyword search to exploration: Designing future search interfaces for the Web. Foundations and Trends in Web Science 2, 1 (Jan. 2010), 1~97. [24] Yee, K.-P., Swearingen, K., Li, K., and Hearst, M. Faceted metadata for image search and browsing. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (Ft. Lauderdale, FL, Apr. 5–10). ACM Press, New York, 2003, 401~408. [25] Zhao, L. and Callan, J. Term necessity prediction. In Proceedings of the 19th ACM International Conference on Information and Knowledge Management (Toronto, Canada, Oct. 26–30). ACM Press, New York, 2010, 259~268. |
|
|
刘奕群
