Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
POS Word Class Based Categorization of Gurmukhi Language Stemmed Stop Words Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Search Logs Mining: Survey

verfasst von : Vivek Bhojawala, Pinal Patel

Erschienen in: Proceedings of First International Conference on Information and Communication Technology for Intelligent Systems: Volume 2

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Search engine process millions of query and collect data of user interaction every day. These huge amount of data contains valuable information through which web search engine can be optimized. Search engine mostly relies on explicit judgement received from domain experts. To survive the competition search engine must understand user’s information needs very well. Search logs provide implicit data about user’s interaction with search engine. Search logs are noisy, they contain data of both successful search and unsuccessful search. The challenge is to accurately interpret user’s feedback to search engine and learning the user access patterns, such that search engine will better be able to cater the user’s information needs. User feedback can be used to re-rank the search result, query suggestion and URL recommendation.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Ensemble Recommendation for Employability Using Cattell’s Sixteen Personality Factor Model
Nächstes Kapitel An Effective Model for Face Detection Using R, G, B Color Segmentation with Genetic Algorithm
Literatur
1.
Broder, A.: A taxonomy of web search. In: ACM Sigir forum, vol. 36, no. 2, pp. 3–10. ACM (2002)
2.
Joachims, T., Granka, L., Pan, B., Hembrooke, H., Gay, G.: Accurately interpreting clickthrough data as implicit feedback. In: Proceedings of the 28th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 154–161. ACM (2005)
3.
Radlinski, F., Kurup, M., Joachims, T.: How does clickthrough data reflect retrieval quality? In: Proceedings of the 17th ACM Conference on Information and Knowledge Management, pp. 43–52. ACM (2008)
4.
Downey, D., Dumais, S., Liebling, D., Horvitz, E.: Understanding the relationship between searchers’ queries and information goals. In: Proceedings of the 17th ACM Conference on Information and Knowledge Management, pp. 449–458. ACM (2008)
5.
Agichtein, E., Brill, E., Dumais, S., Ragno, R.: Learning user interaction models for predicting web search result preferences. In: Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 3–10. ACM (2006)
6.
Teevan, J.: How people recall, recognize, and reuse search results. ACM Trans. Inf. Syst. (TOIS) 26(4), 19 (2008)
7.
Wu, W., Li, H., Xu, J.: Learning query and document similarities from click-through bipartite graph with metadata. In: Proceedings of the Sixth ACM International Conference on Web Search and Data Mining, pp. 687–696. ACM (2013)
8.
Xue, G.-R., Zeng, H.-J., Chen, Z., Yu, Y., Ma, W.-Y., Xi, W.S., Fan, W.G.: Optimizing web search using web click-through data. In: Proceedings of the Thirteenth ACM International Conference on Information and Knowledge Management, pp. 118–126. ACM (2004)
9.
Li, X., Wang, Y.-Y., Acero, A.: Learning query intent from regularized click graphs. In: Proceedings of the 31st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 339–346. ACM (2008)
10.
Chapelle, O., Zhang, Y.: A dynamic bayesian network click model for web search ranking. In: Proceedings of the 18th International Conference on World Wide Web, pp. 1–10. ACM (2009)
11.
Guo, F., Liu, C., Kannan, A., Minka, T., Taylor, M., Wang, Y.-M., Faloutsos, C.: Click chain model in web search. In: Proceedings of the 18th International Conference on World Wide Web, pp. 11–20. ACM (2009)
12.
Xiang, B., Jiang, D., Pei, J., Sun, X., Chen, E., Li, H.: Context-aware ranking in web search. In: Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 451–458. ACM (2010)
13.
White, R.W., Bennett, P.N., Dumais, S.T.: Predicting short-term interests using activity-based search context. In: Proceedings of the 19th ACM International Conference on Information and Knowledge Management, pp. 1009–1018. ACM (2010)
14.
Tan, B., Shen, X., Zhai, C.X.: Mining long-term search history to improve search accuracy. In: Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 718–723. ACM (2006)
15.
Bilenko, M., White, R.W.: Mining the search trails of surfing crowds: identifying relevant websites from user activity. In: Proceedings of the 17th International Conference on World Wide Web, pp. 51–60. ACM (2008)
16.
Liao, Z., Song, Y., He, L.-W., Huang, Y.: Evaluating the effectiveness of search task trails. In: Proceedings of the 21st International Conference on World Wide Web, pp. 489–498. ACM (2012)
Metadaten
Titel
Search Logs Mining: Survey
verfasst von
Vivek Bhojawala
Pinal Patel
Copyright-Jahr
2016
Buch
Proceedings of First International Conference on Information and Communication Technology for Intelligent Systems: Volume 2

Print ISBN: 978-3-319-30926-2

Electronic ISBN: 978-3-319-30927-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-30927-9_4