< Terug naar vorige pagina

Project

Gepersonaliseerde zoekmachines.

Het is onze ambitie om een fundamentele bijdrage te leveren aan state-of-the-art gepersonaliseerde zoekmachines - met een focus op e-commerce, e-news en video - door het bestuderen en ontwikkelen van nieuwe gepersonaliseerde zoek-algoritmes die zowel de gebruikte zoektermen alsook de volledige online en offline gebruikerservaring van de bezoeker in rekening nemen. Concreet zullen we dit doen door volgende onderzoeksthema's te behandelen: Eerst, in de context van gepersonaliseerde zoekmachines, hoe meten en evalueren we succes? Gepersonaliseerde zoekmachines zijn een relatief recent onderzoeksdomein en aldus bestaat er nog geen gestandaardiseerd kader en een benchmark dataset op basis waarvan succes gemeten kan worden. In andere, meer mature, onderzoeksdomeinen bestaan deze wel, e.g. LETOR (learning-to-rank) of MovieLens (recommender systems). Het is ons doel om zulk een gestandaardiseerd kader en een benchmark dataset te ontwikkelen die kan gebruikt worden om de prestaties van verschillende algoritmes met elkaar te vergelijken. Concreet is het ons doel om een live test uit te voeren voor retail, voor video en voor nieuws, waarbij we de resultaten evalueren volgens de ontwikkelde KPI's voor het corresponderende domein. Ten tweede, hoe kan gedrag-gebaseerde relevantie en op zoektermen gebaseerde relevantie gecombineerd worden om een optimale ordening van items te bepalen die gepersonaliseerd is voor elk individu? Om de gebruiker relevante zoekresultaten te tonen gerangschikt volgens hun persoonlijke voorkeuren dienen we (minstens) twee "maten" voor relevantie te combineren: relevantie op basis van de zoekterm en relevantie voor de gebruiker als persoon. Beiden kunnen opnieuw samengesteld zijn uit verschillende delen, e.g. pagina's bezocht, items gekocht, etc. als we spreken over persoonlijke relevantie en overeenkomst met de zoekterm, autoriteit of "versheid" van elk van de zoekresultaten voor zoek-gerelateerde relevantie. Het is ons doel te identificeren welke van de voornoemde delen (of "features" in de terminologie) relevant kunnen zijn in het aanbieden van een optimale gepersonaliseerde zoekervaring, bv. bezochte pagina's en versheid, maar niet autoriteit en gekochte items. Dan behandelen we een volgende probleem: hoe moeten we deze scores nu combineren? Dit is allesbehalve een triviaal probleem en statische combinatie van persoonlijke en zoek-gerelateerde relevantie is niet genoeg. Om dit probleem op te lossen dienen we ten minste één ordenings-algoritme te ontwikkelen die verschillende inputs kunnen vertalen in een optimale ranking, gepersonaliseerd op het niveau van het individu. Dit vereist dan ook dat we nieuwe objectieven moeten definiëren die dit persoonlijke aspect van een ordening in rekening kunnen brengen. Ten derde, kunnen we een geïntegreerde ordenings-oplossing ontwikkelen die het gepersonaliseerde zoekprobleem herleidt tot het optimaal bepalen van de intentie van de gebruiker, eerder dan het optimaal combineren van de zoekterm met historisch gedrag? Dit alles leidt dan tot de laatste onderzoeksvraag. In plaats van verder te bouwen op het bestaande kader binnen het learning-to-rank onderzoeksdomein - i.e. een tweestaps aanpak voor ordening: eerst ophalen, dan ordenen -, kunnen we in de plaats hiervan het probleem kaderen als een aanbevelings probleem, waar een zoekterm niet meer is dan een extra indicatie van het onderliggende doel van de gebruiker? Het ontwikkelen van deze nieuwe algoritmes voor gepersonaliseerde zoekmachines en een kader voor evaluatie zal Froomle toestaan om gepersonaliseerde zoekmachines toe te voegen aan hun bestaande aanbod aan aanbevelingssystemen. Dit is een belangrijke stap voorwaarts in het dichten van de kloof tussen de grote technologie giganten en meer traditionele offline bedrijven.
Datum:1 jan 2019 →  31 dec 2022
Trefwoorden:DATAWETENSCHAPPEN, ARTIFICIËLE INTELLLIGENTIE (AI)
Disciplines:Machine learning en besluitvorming
Project type:Samenwerkingsproject