Συναντήστε BESS

Ακούμε τόσο μεγάλο μέρος για τους συνεργάσιμους ιστοχώρους, wikis, χρήστης-παραγμένο περιεχόμενο, ο απέραντος διάλογος που είναι το blogosphere, τα κοινωνικά μέσα και κοινωνικός, σε απευθείας σύνδεση δικτύωση, ολόκληρος ο Ιστός 2.0 επανάσταση, ότι είναι δύσκολο να φανταστεί έναν χρόνο κατά το εύρεση του χρήσιμου σημαμένου πληροφορίες απλά τρυπήματος σε μερικές λέξεις κλειδιά σε μια μηχανή αναζήτησης. Αλλά, ακούω ότι κραυγάζετε, Google βασιλεύει ακόμα ανώτατος και η μεγάλη πλειοψηφία των χρηστών Ιστού κάνει ακόμα ακριβώς αυτού.

Ναι, είστε πιθανώς σωστοί, υπάρχει ακόμα πολλή εκπαίδευση για να κάνει, για να πείσει το μέσο μη -μη-techie χρήστη, να παρουσιάσει εξαιρεσμένος, φυσικά, ότι οι συνεργάσιμες μέθοδοι το καλύτερο, οι πιό σχετικόσι, οι πιό πληροφοριακόσι, και ίσως ακόμη και η διασκέδαση, πληροφορίες είναι το μέλλον.

Μέρος του προβλήματος εναπόκειται σε ολόκληρη την έννοια ότι η ομορφιά, ή η σχετικότητα ακριβέστερα, είναι στο μάτι του θεατή. Ιστός -Ιστός-spam κατά μέρος, ο οποίος είναι να ειπωθεί ότι η πρώτη σελίδα των χτυπημάτων μηχανών αναζήτησης πρόκειται να είναι σχετική με τα μέλη μιας ιδιαίτερης θέσης. Ακόμη και με τις μηχανές ειδικής αναζήτησης για τον κινηματογράφο buffs, τους φωτογράφους, τους καλλιτέχνες, τους επιστήμονες, τους μουσικούς, κ.λπ., υπάρχει ακόμα το πρόβλημα της υπερφόρτωσης πληροφοριών. Καμία μηχανή αναζήτησης που εφευρίσκεται ακόμα δεν δίνει τις τέλειες απαντήσεις για την καθεμία, κάθε φορά.

Τώρα, Ρωμαϊκό Shtykh και Qun Jin από τα δικτυωμένα συστήματα πληροφοριών το εργαστήριο στο πανεπιστήμιο Waseda, στην Ιαπωνία, επίσης έχει αναγνωρίσει ότι α ένας στην εξέταση των πληροφοριών η υπερφόρτωση δεν είναι ο αποτελεσματικότερος τρόπος καθένας τις ιδιαίτερες ανάγκες πληροφοριών. Αλλά, παρά απλά griping για το πρόβλημα, προτείνουν μια νέα μια νέα μορφή συνεργάσιμης εξατομικευμένης αναζήτησης που προσπαθεί να καταλάβει την αναζήτησή σας.

Έχουν αναπτύξει μια Ιστού πληροφοριών αναζήτηση και τη διανομή ανάκτησης αποκαλούμενη πλαίσιο καλύτερη (BESS) που συλλαμβάνουν τις αλληλεπιδράσεις μεταξύ των χρηστών και του συστήματος. Αυτό μπορεί έπειτα να χρησιμοποιηθεί για να παραγάγει τις παραμέτρους χρήστη και έπειτα τα αποτελέσματα ραφτών στα προσωπικά ενδιαφέροντα δυναμικά, ο ίδιος μηχανισμός θα μπορούσαν να χρησιμοποιηθούν για να ομο-αξιολογήσουν τα έγγραφα που βρέθηκαν πολύτιμα μέσα σε ένα συγκεκριμένο πλαίσιο αναζήτησης από τους χρήστες με τα παρόμοια ενδιαφέροντα, ο υποκειμενικός δείκτης τους.

Αυτήν την περίοδο, συστήματα όπως Swiki (κοινωνικό wiki, Το Eurekster ήταν μη διαθέσιμο κατά την διάρκεια του γραψίματος), Rollyo, και Μηχανή αναζήτησης συνήθειας Google αντιστοιχτε στην κάθετη και συνήθως κοινοτικού προσανατολισμού προσέγγιση στην εξατομίκευση αναζήτησης. Επιτρέπουν στις κοινότητες για να δημιουργήσουν τις εξατομικευμένες μηχανές αναζήτησης γύρω από τα συγκεκριμένα ενδιαφέροντα, Shtykh και Jin λένε. Εντούτοις, η εμφάνιση συνεργάσιμου Ιστός 2.0 περιοχές εκείνη η εύνοια η μετάβαση των δραστηριοτήτων κάθε προσώπου από το ενεργητικό που κοιτάζει βιαστικά στην ενεργό συμμετοχή έχει αλλάξει την κατάσταση αναζήτησης ριζικά.

BESS είναι διαφορετικό. Είναι ένα κοινοτικού προσανατολισμού σύστημα, αλλά έχει τα χαρακτηριστικά γνωρίσματα ενός οριζόντιου συστήματος αναζήτησης, όπως εξατομικευμένη τη Google αναζήτηση και ένα κάθετο σύστημα αναζήτησης όπως την αναζήτηση συνήθειας Google που κυλιέται σε μια. “It performs searches on the information assets of both horizontal (the objective index unedited, non-controlled) and vertical (subjective index, evaluated, commented).

The notion of the subjective index in our research is similar to the “social search” of the vertical community-oriented systems presented above, but differ in the higher degree of personalization for every user, the high granularity of the vertical search model and, finally, the way of collecting and (re-)evaluating the information pieces.

In other words, groups of users are formed dynamically without user intervention, based on matching interests and expertise. The role of the community becomes indispensable for improving search quality and the evolution of the system, in general, the researchers add.

So, how does BESS work and what does it (she?) do? The proposed system consists of a contribution software component on the client side and the BESS collaborative information retrieval framework on the server side. The user contribution component would be a Firefox browser extension that allowed new elements (html) to be embedded into the search (engine) result pages (SERPs) next to every result.

On the server side, BESS will utilize a web proxy, software to analyze user behavior (not for spyware purposes, of course, but to allow the system to function), a profile construction engine. It then captures user search and post-search behavior, analyzes them statistically generates updated profiles and then searches the growing subjective index to find the optimum hits.

The team has demonstrated proof of principle using the example of a search for Mitsubishi air conditioners. They assume that user Annabelle is looking for information on air-conditioning units in Mitsubishi cars. She searches for “Mitsubishi air conditioner”. Annabelle, however, is unaware that Mitsubishi Electric produces air-conditioning systems for buildings too and is thinking only of her car.

Conventional SERPs will be a mixed bag of reviews, information, and documents about both vehicular and building A/C units. BESS, however, knows that Annabelle is keen on her car and has already been searching for information she flagged as interesting in her subjective index covering other option extras in cars. So, BESS presents hits on in-car air-conditioners from Mitsubishi instead of its domestic appliances entries.

Annabelle’s friend Carl who is in the same automobile enthusiasts group may subsequently be looking for car A/C units but searching by company name and the phrase air-conditioners too, but BESS, aware of their shared interest will again fire up the car equipment instead of the domestic units. The flagging and tagging of positive hits could be automatic (done by BESS) or deliberate on the part of Annabelle and Carl. Either way, BESS learns about their behavior and builds their community profiles accordingly.

There is a drawback to BESS. “Any web personalization system requires storing and analyzing personal information,” the researchers say, and “this is seen to be a problem by privacy advocates.” They point out that client-side personalization can alleviate some of the privacy concerns but would preclude BESS from working well with a community. “We have to consider how to ensure users’ privacy, probably by combining the client-side and server-side approaches for storing and processing user-sensitive information,” they conclude. However, there are millions of people using the likes of Google custom search and countless web 2.0 sites, so while privacy is a concern, the benefits of a more powerful and useful search system might outweigh such concerns for many users.

Harnessing user contributions and dynamic profiling to better satisfy individual information search needs, in International Journal of Web and Grid Services, 2008, vol. 4, pp 63-79