Ontmoet BESS

Wij horen zodat betekende veel over samenwerkingswebsites, wikis, gebruiker-geproduceerde inhoud, de enorme dialoog die blogosphere, de sociale media en het sociale bookmarking, online voorzien van een netwerk, geheel Web 2.0 revolutie is, dat het moeilijk is om een tijd te veronderstellen wanneer het vinden van nuttige informatie eenvoudig onttrekkend in een paar sleutelwoorden in een onderzoeksmotor. Maar ik hoor u gilt, regeert Google nog opperst en de overgrote meerderheid van Webgebruikers nog doet enkel dat.

Ja, bent u waarschijnlijk juist, zijn er nog heel wat het opleiden om te doen, om de gemiddelde gebruiker niet -niet-techie te overreden, uitgezonderd voorstellen, natuurlijk, dat de samenwerkings het meest relevant, het meest informatieve methodes om het beste te vinden, en misschien zelfs het onderhouden, informatie de toekomst is.

Een deel van het probleem ligt met het gehele begrip dat de schoonheid, of de relevantie meer bepaald, in het oog van beholder zijn. Web -Web-spam opzij, dat moet zeggen dat de eerste pagina van de klappen van de onderzoeksmotor voor leden van een bepaald gebied relevant gaat zijn. Zelfs met de motoren van het specialistenonderzoek voor movie buffs, fotografen, kunstenaars, wetenschappers, musici, enz., is er nog het probleem van informatieoverbelasting. Geen nog uitgevonden onderzoeksmotor geeft de perfecte antwoorden voor iedereen, elke keer.

Nu, Roman Shtykh en Qun Jin van de Genetwerkte Systemen van de Informatie heeft het Laboratorium bij Universiteit Waseda, in Japan, ook erkend dat a one-size-fits-all aan het behandelen van informatie is de overbelasting niet de meest efficiënte manier om iedereen individuele informatiebehoeften tevreden te stellen. Maar eerder dan eenvoudig het griping over het probleem, stellen zij nieuw voor een nieuwe vorm van samenwerkings gepersonaliseerd onderzoek dat probeert om uw onderzoek te begrijpen.

Zij hebben een de herwinning van de Webinformatie kader geroepen Beter Onderzoek en het Delen (BESS) ontwikkeld dat interactie tussen gebruikers en het systeem vangen. Dit kan dan worden gebruikt om gebruikersprofiel te veroorzaken en toen zouden de kleermakersresultaten aan persoonlijke belangen dynamisch, het zelfde mechanisme kunnen worden gebruikt om documenten mede-te evalueren binnen een specifieke onderzoekscontext door gebruikers met gelijklopende interesses worden gevonden, hun subjectieve index die waardevol.

Momenteel, systemen zoals Swiki (sociale wiki, Eurekster was niet beschikbaar op het tijdstip van het schrijven), Rollyo, en De Motor van het Onderzoek van de Douane van Google beantwoord aan de verticale en meestal community-oriented benadering van onderzoeksverpersoonlijking. Zij staan gemeenschappen toe om gepersonaliseerde onderzoeksmotoren rond specifieke belangen te creëren, zeggen Shtykh en Jin. Nochtans, de komst van samenwerkings Web 2.0 plaatsen die gunst heeft de overgang van de activiteiten van elke persoon van passief dat aan actieve participatie doorbladert de onderzoekssituatie radicaal veranderd.

BESS is verschillend. Het is een community-oriented systeem, maar heeft de eigenschappen van een horizontaal onderzoekssysteem, zoals Google gepersonaliseerd onderzoek en een verticaal onderzoekssysteem zoals Google douaneonderzoek dat in één wordt gerold. “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