融合用戶實時搜索狀態的自適應查詢推薦模型*

李競飛，商振國，張　鵬，宋大為

天津大學 天津市認知計算與應用重點實驗室，天津 300072

融合用戶實時搜索狀態的自適應查詢推薦模型*

李競飛，商振國，張鵬+，宋大為

天津大學 天津市認知計算與應用重點實驗室，天津 300072

傳統的查詢推薦算法通過挖掘查詢日志為用戶推薦查詢詞。通常現存模型只考慮原始查詢詞與推薦詞之間的關系（例如語義相似性或相關性等），沒有考慮用戶在搜索過程中的滿意度情況。針對用戶在搜索過程中表現出的不同滿意度狀態，提出了一個查詢推薦基本假設，并通過開展在線用戶問卷調查，驗證了這一假設。基于相應的假設，提出了一種基于用戶搜索滿意度狀態的自適應查詢推薦模型，該模型可以為用戶智能推薦不同種類的查詢詞。當用戶對搜索結果滿意時，模型將為用戶提供更加新穎的推薦詞；當用戶對搜索結果不滿意時，模型將為用戶提供一些增強信息表示能力的查詢詞。大規模日志實驗表明，提出的推薦模型顯著優于傳統的查詢流圖模型，證明了所提模型的有效性。

查詢推薦；查詢流圖；搜索狀態；滿意度

1　引言

查詢推薦已經成為現代搜索引擎（例如百度、必應和谷歌等）必備的功能之一。雖然現有的查詢推薦算法已經能夠滿足用戶的基本需求，但是查詢推薦的準確性和智能性還有待進一步提升。為了提高查詢推薦質量，研究人員已經提出了大量的查詢推薦模型[1-4]。許多經典的查詢推薦模型是基于查詢日志提出的，例如查詢流圖模型（query flow graph，QFG）[3]。然而，現有的推薦模型有一個明顯的缺陷，即在為用戶推薦查詢詞時，并沒有考慮用戶當前的搜索狀態。本文所指的搜索狀態是用戶搜索信息過程中，表現出來的對搜索結果是否滿意的一種實時狀態。為了解決這個問題，本文提出了一種基于查詢流圖模型的新穎查詢推薦模型，可以根據用戶當前的搜索狀態提供相對原始查詢更新穎的或者增強相關性的推薦詞。

經典的查詢流圖模型是一種以查詢為節點，以查詢之間的轉移關系為邊的有向圖。基于查詢流圖的推薦模型可以建模全局用戶的查詢轉移關系，反應查詢推薦過程中的群體智慧。然而基礎的查詢流圖僅考慮了原始查詢與候選推薦詞之間的靜態轉移關系，并沒有考慮用戶實時的搜索滿意度狀態。

為了使系統推薦的查詢詞能自然地適應用戶在不同狀態下的信息表示需求，本文根據用戶的實時搜索狀態，對每一個候選推薦詞重新賦權重，從而為用戶推薦期望的查詢詞。

為了實現這一目標，本文提出了一個假設，即搜索引擎應該依據用戶不同的交互狀態提供不同類型的查詢推薦詞。設想一個真實的搜索場景（如圖1所示），一個用戶通常輸入一個原始查詢詞作為一次搜索任務的開始，搜索引擎返回一系列結果。隨后，用戶基于自己的信息需求查看若干可能相關的內容。如果用戶對當前的搜索結果已經滿意，他可能會中斷當前的搜索任務，也可能會提交另一個新的查詢；如果用戶對當前的結果不滿意，他將很有可能修改原始的查詢詞，重新搜索以期獲得更好的搜索結果；另一種極端情況是用戶因對當前結果極度失望而放棄搜索或轉向其他搜索引擎。通過分析日志發現，這種人機交互行為會頻繁出現，本文3.2節的用戶實驗也進一步證實了這種現象的存在。本文致力于提出一種基于用戶搜索滿意度的方法建模這種人機交互行為，從而為用戶提供高質量的查詢推薦詞，以引導用戶開展高效的探索式查詢。

Fig.1　Interactive process of user with a search engine圖1　用戶與搜索引擎交互過程

2　文獻綜述

在查詢推薦領域，已經存在大量的相關工作。按照查詢推薦候選詞的來源，可以將現有工作大致分為基于查詢日志的推薦[1,5-6]和基于文本集的推薦[7]。按照模型方法分類，現有工作可以分為基于圖的模型[4]和基于排序學習的模型[8]。本文提出的自適應推薦模型是以查詢日志為推薦詞來源，是基于圖的推薦模型。

圖模型可以方便地用于挖掘日志中查詢之間的關系，包括轉移關系、語義相似關系等。進而查詢之間的關系可以用于未來的查詢推薦。Boldi等人開創性地提出了查詢流圖模型[3]，該模型已經廣泛應用于基于日志的推薦方法中，并且取得了很好的效果。后續有一系列基于查詢流圖的工作[9-11]。例如，Adeyanju等人利用查詢流圖的思想對靜態概念層次模型進行動態更新，并用于局域網查詢推薦[1]。此外，點擊二分圖（click bipartite graph）也是一種廣泛應用的查詢推薦方法[12-14]，它基于不同用戶可能利用不同的查詢詞來搜索同一網頁的事實，挖掘查詢之間的語義相似性。例如，Baeza-Yates等人提出了基于二分圖的迭代聚類方法進行查詢推薦[6]。

基于排序學習的推薦模型主要思想是利用從日志中提取大量的特征對查詢候選詞進行排序。Joachims利用排序支持向量機（ranking support vector machine，RankSVM）對聚類得到的候選推薦詞進行排序[15]。Liu等人針對難查詢（difficult query）利用排序學習算法（learning to rank）直接對候選查詢詞的搜索結果進行優化，進而達到對候選詞進行排序的目的[8]。

現有推薦模型中存在的一個重要問題是，在為候選詞排序時，沒有考慮用戶當前的滿意度狀態，忽略了用戶可能在一些條件下更喜歡相似的推薦詞，而一些情況下更喜歡新穎的推薦詞的事實。針對這個問題，本文改進了現有的查詢流圖，探索性地提出了基于用戶滿意度狀態的推薦模型。

3　基本假設及驗證

3.1基本假設

本文提出的自適應查詢推薦模型，建立在兩個基本假設基礎上。

假設1當用戶對當前搜索結果滿意時，希望獲得新穎的推薦詞；相反當用戶對當前搜索結果不滿意時，希望修改當前查詢并且增強當前查詢的相關性表示能力。

假設2用戶當前的搜索滿意度可以通過用戶行為（例如點擊和翻頁等）進行估計。

第一個假設是為了表明用戶在不同搜索狀態下希望獲取不同類型的推薦詞。第二個假設是希望可以探索性地估計用戶搜索滿意度的量化指標。為了驗證這兩個基本假設，本文首先利用第三方問卷調查平臺（問卷星）開展充分的用戶實驗。下面詳細介紹用戶實驗的情況。

3.2用戶實驗設計及結果分析

為了驗證本文提出的假設，首先在互聯網的真實環境下進行了問卷調查用戶實驗。問卷調查的題目為《關于用戶使用搜索引擎的行為習慣調查》，其中包含9道單項選擇題，1道多項選擇題。實驗采用第三方問卷調查平臺（問卷星是國內知名的網絡調查問卷平臺），以保證此次用戶實驗的公平、公正和公開性。在實驗過程中，設定了防重復填寫機制，通過限制IP設定同一手機、電腦只能參與一次調查。每一次調查完畢后，系統給予用戶一定的激勵。為了保證問卷調查的質量和結果的可靠性，本文設定用戶作答問卷的總用時長最少為30 s。本次用戶問卷調查共收到174份調查問卷，過濾保留其中154份有效答卷用于結果分析。

Fig.2　Questionnaires results of user study圖2　部分調查問卷結果

通過對有效問卷結果進行分析發現（如圖2所示）：（1）問卷用戶中，74.68%的用戶為本科生，17.53%的用戶為碩士生，其他學歷的用戶占7.79%，基本覆蓋了所有學歷層次的用戶。（2）93.51%的用戶頻繁使用搜索引擎，說明搜索引擎對用戶十分重要。（3）關于用戶對查詢推薦服務的期待，當用戶對當前搜索結果感到滿意時，53.9%的用戶會選擇與當前查詢相關且新穎的查詢詞開始下一次的查詢；當用戶對搜索結果不滿意時，只有14.94%的用戶選擇新穎的推薦詞，而85.06%的用戶希望修改當前查詢，并且獲得增強當前信息表達能力的推薦詞。這直接驗證了本文的假設1，當用戶的當前搜索滿意度狀態不同時，應推薦不同類型的查詢推薦詞給用戶。（4）針對用戶對當前滿意度的判別，37.66%的用戶認為在點擊的網頁上停留超過30 s即為滿意；51.95%的用戶認為在當前網頁中進行了選中、復制等操作為滿意的標志。

本文的實驗數據基于必應搜索日志，只記錄了用戶在當前網頁停留的時長，直觀上當用戶在網頁進行閱讀、選中和復制等行為用時一般會超過30 s，因此選擇當用戶點擊并且在當前網頁停留超過30 s作為用戶對一個結果滿意度的標識；把用戶的翻頁行為作為折算因子，直觀認識是當用戶有翻頁行為時，表明用戶對當前查詢結果不滿意，越往后翻頁表示滿意度越低，這一直觀認識是基于用戶通過搜索引擎期望得到查詢結果是準確而完整的。若用戶期望獲得更為詳細或全面的答案往往需要點擊相關網頁，并在相關網頁內進行詳細瀏覽。本文提及的用戶翻頁行為指用戶在綜合搜索引擎結果頁的翻頁行為，而非在一些專業搜索引擎中的翻頁瀏覽行為。本文探索性地通過分析用戶的點擊行為和翻頁行為提出了估計用戶當前滿意度的量化指標，也就驗證了假設2。

4　自適應查詢推薦模型

以下首先介紹了查詢流圖的基本概念，隨后提出了基于用戶滿意度狀態的自適應的查詢推薦模型框架。接下來，形式化了構建推薦詞候選集的方法，探索性地給出了一種基于用戶滿意度狀態建模方法，以解決框架中的一個關鍵問題，即對用戶當前搜索滿意度估計。最后提出了自適應的推薦詞排序模型。

4.1查詢流圖

查詢流圖是一種常用的日志挖掘模型[3]。它定義為一個有向圖Gqf=(V,E,w)，其中節點集合V=Q∪{s,t}，表示所有用戶在歷史上提交的所有查詢Q和兩個特殊的節點s和t，s和t分別代表一個查詢鏈的開始和結束節點；有向邊E∈V×V連接同一個查詢會話中兩個前后鄰接的查詢；權重w∈(0,1]，連接一對查詢(q,q′)的邊的權重表示為w(q,q′)：

其中，f(q)為查詢q在歷史日志中出現過的頻率；f(q,q′)為查詢日志中觀測到由查詢q轉移（改寫）為q′的次數。在查詢推薦模型中，每一個原始查詢將匹配圖中的一個查詢節點，匹配節點的出邊節點，將作為候選推薦詞集合。然后按照各自邊的權重排序，選取前K個節點對應的查詢詞推薦給用戶。

本文在構建查詢流圖時，對日志中所有查詢詞進行詞干化（stemming）處理，以保證相同單詞的不同形式可以完全匹配。本文構建查詢推薦模型以會話為基礎，把在30 min之內的所有查詢詞劃分為一次會話。

4.2模型框架

根據第3章中提出的推薦假設以及相應的用戶調查結果，理想的推薦模型應該針對用戶當前的搜索狀態，為用戶推薦合理的查詢詞。為了實現自適應地推薦查詢詞，本節提出了一個形式化的模型框架。首先通過查詢流圖模型獲取一組候選查詢推薦詞，同時估計得到用戶當前的滿意度狀態，然后基于用戶滿意度狀態對推薦詞候選集進行排序，最后選取前K個候選詞推薦給用戶。自適應查詢推薦模型框架如圖3所示。

Fig.3　Auto-adaptive query recommendation framework圖3　自適應查詢推薦模型框架

為了實現模型的自適應推薦目標，需要解決以下3個問題：第一，如何獲取足夠多的相關候選推薦詞；第二，如何估計用戶當前的滿意度狀態；第三，如何根據用戶滿意度對候選推薦詞進行排序，為用戶推薦高質量的查詢詞。下面將分別詳細介紹3個問題的解決算法。

4.3候選推薦詞集合構建

本文采用的候選推薦詞集合由兩類節點組成。第一類節點是與原始查詢qo模糊匹配得到的節點(No)，通過查卡德系數（Jaccard index）[16]為每一個節點賦予初始得分Score(No)，具體定義如下：

其中，J(?)是計算兩個集合之間查卡德系數的函數，查卡德系數可以衡量兩個集合之間的相似度；qo表示一個查詢（或節點）的單詞集合；No表示圖中匹配節點的單詞集合。第二類節點是由第一類節點在圖中的出邊決定的全部節點(Noe)，每個節點的初始得分由父節點的初始得分和相應邊的權重相乘得到。這樣，遠離原始查詢的推薦節點得分將得到相應的懲罰，具體形式為：

其中，weight(No,Noe)為兩個節點之間邊的權重。兩類節點融合之后作為候選推薦詞集合，其中移除重復的節點。

4.4用戶搜索狀態建模

本文通過用戶的點擊行為和翻頁行為來估計用戶對當前查詢結果的滿意度狀態。為了更準確地建模用戶的點擊行為，本文采用廣泛接受的停留時間點擊模型來預測用戶對一個查詢結果（網頁）的滿意度[17]。點擊模型規定，當用戶點擊一個網頁并在這個網頁上停留時間超過30 s作為滿意點擊。本文第3章中所做的用戶調查，也可說明30 s的停留時間可以作為用戶滿意度的一個標識。

為了衡量用戶對整個查詢列表的滿意度，本文基于平均準確率（average precision，AP）[18]的計算方法定義了用戶對當前結果的滿意度得分SAT(qo)。在計算時，滿意點擊的網頁被看作是相關文檔。具體計算如下：

其中，AP(qo)是當前查詢的平均準確率；n是用戶當前所在的搜索結果頁碼（考慮用戶的翻頁行為，并且在用戶每次翻頁時都會觸發查詢推薦事件）；lb(n+1)是折扣因子。本文假設用戶翻頁越多對當前查詢結果的滿意度就越低。AP(qo)的具體計算方法如下：

為了估計式（4）中的參數，在實驗數據集的規模上計算了兩個鄰接查詢詞AP值的浮動分布概率和平均準確率的變動幅度，如表1所示。

Table 1　Difference ofAP between adjacent queries表1 相鄰查詢的不同AP值

將表1中統計得到的數據帶入式（4）可以化簡得到當前查詢與鄰接前一個查詢詞的AP值關系為AP(qo)=1.112 2×AP(qpre)。在實際計算中，當前一個查詢詞的AP值也無法估計時，本文用歷史搜索日志的平均AP值(AP=0.324 2)來估計當前查詢的AP值。

4.5自適應排序算法

本節介紹自適應推薦排序算法。當用戶提交一個原始查詢qo時，依據用戶對當前搜索結果的滿意度狀態給出推薦詞，即通過自適應排序算法給出最后每個候選詞的分數并排序。對于每一個在候選集合中的推薦詞s，定義其自適應排序算法的得分Scoreadaptive(s)如下：

其中，novelty(s)和similarity(s)分別表示每一個候選詞的新穎性和相似性；Score(s)表示候選詞s與原始查詢qo的初始匹配得分。

通過式（5），可以很直觀地看到，當用戶滿足于原始查詢時，搜索引擎會給出一些新穎性更強的候選詞作為推薦查詢詞。反之，當用戶對原始查詢結果不滿意時，搜索引擎會推薦那些與原始查詢更相關的候選詞。具體的新穎性函數和相似性函數，形式如下：

其中，D是當前查詢的前3個網頁結果的摘要和所有滿意點擊網頁的摘要組成的文本，可以認為是對原始查詢的擴展表示。本文認為，D中包含了用戶已經閱讀信息。如果當前候選詞與文本D重合較多，說明這個候選詞不夠新穎。如何更有效地建模新穎性和相似性，將作為未來工作進一步探索。

5　實驗

5.1實驗數據

實驗數據是從必應搜索引擎日志中隨機采樣得到的查詢數據（英文），其中包括1 166個用戶從2012 年7月1日到31日提交的522 900個查詢。在構建基本的查詢流圖時，本文采用信息檢索領域廣泛接受劃分會話（session）的方法，將相鄰時間間隔在30 min之內的查詢詞劃分為一個查詢會話[1-2]，則共劃分得到134 284個查詢會話。圖4描述了在實驗數據集的日志中每一天的查詢數和會話數。

Fig.4　Distribution of session number and query number on 31 days圖4　查詢會話數和查詢數在31天的分布

5.2評價指標

本文實驗采用信息檢索中常用的NDCG（normalized discounted cumulative gain）[19]作為實驗效果的評價指標。

DCG（discounted cumulative gain）是用來衡量排序結果質量的重要指標，表示如下：

其中，n表示返回的推薦詞在結果列表中的排序值；rel(j)表示第j個推薦詞的相關度；lb(1+j)是折扣因子。歸一化的DCG值為nDCG@n=DCG@n/idealDCG@n，其中idealDCG@n是最優排序情況下的DCG評價值。

相關性評價指標需要反映用戶在實時搜索狀態下的推薦質量。本文將用戶在搜索過程中的實際查詢修改行為引入到性能評價中，并改進了NDCG中的相關性函數rel(j)：其中，qr是原始查詢qo在查詢日志中的實際查詢修改詞，作為查詢推薦的“標準答案”是n個查詢推薦詞；qsj表示第 j個推薦詞。這樣本文的NDCG評價能夠真實地反映用戶在搜索過程中的實際行為，從而如實地反映模型推薦詞的質量。

5.3結果與討論

在本文實驗中，利用第一天到第i天的數據進行訓練，第i+1天的數據用于測試。與傳統查詢流圖模型比較的實驗結果如圖5所示。

Fig.5　Experiment results of nDCG@10圖5nDCG@10的實驗結果

圖5中橫坐標表示天數，縱坐標表示nDCG@10值，結果表明基于實時用戶搜索狀態改進后的推薦模型顯著優于傳統的查詢流圖模型。分析模型表現優異的原因是：（1）通過模糊匹配，得到了更多的查詢候選詞；（2）本文提出的基于用戶當前搜索滿意度的模型能夠有效調整候選詞集合中推薦詞順序，在真實的環境中，更能匹配用戶的搜索習慣。

6　結論及展望

本文提出了一種基于用戶搜索狀態的查詢推薦模型。通過用戶實驗驗證了本文提出的假設，即在用戶不同搜索狀態下，用戶喜歡不同類型的推薦詞。本文利用跳轉頁面和點擊相關文檔的行為來估算用戶對當前搜索結果的滿意度，并且基于當前滿意度，自適應地調整推薦詞順序。

在下一步的工作中，首先將著力優化改進相關算法，重點是對用戶當前滿意度的估計方法，如Albakour等人提出的自適應的MRR[20]評價指標，并且嘗試用多種相關性指標進行衡量，尤其是當用戶期望獲得全面信息時的用戶翻頁行為的建模還需要進一步改進。其次對候選詞的新穎性和相關性評價工作進行完善，更好地建模推薦詞的新穎性和相關性。最后考慮將更多的擴展文檔資源融合進本文的模型，擴充原始查詢候選詞集合。

References:

[1]Adeyanju I A,Song Dawei,Albakour M,et al.Adaptation of the concept hierarchy model with search logs for query recommendation on intranets[C]//Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval,Oregon,USA,Aug 12-16,2012.New York:ACM,2012:5-14.

[2]Adeyanju I A,Song Dawei,Albakour M,et al.Learning from users ? querying experience on intranets[C]//Proceedings of the 21st International Conference on World Wide Web,Lyon,France,Apr 16-20,2012.New York:ACM,2012: 755-764.

[3]Boldi P,Bonchi F,Castillo C,et al.The query-flow graph: model and applications[C]//Proceedings of the 17th ACM Conference on Information and Knowledge Management, Napa Valley,USA,Oct 26-30,2008.New York:ACM,2008: 609-618.

[4]Bai Lu,Guo Jiafeng,Cheng Xueqi.Query recommendation by modelling the query-flow graph[C]//LNCS 7097:Proceedings of the 7th Asia Information Retrieval Societies Conference,Dubai,United Arab Emirates,Dec 18-20,2011. Berlin,Heidelberg:Springer,2011:137-146.

[5]Bhatia S,Majumdar D,Mitra P.Query suggestions in the absence of query logs[C]//Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval,Beijing,China,Jul 24-28, 2011.New York:ACM,2011:795-804.

[6]Baeza-Yates R,Hurtado C,Mendoza M.Query recommendation using query logs in search engines[C]//LNCS 3268: Proceedings of the 2004 International Conference on Current Trends in Database Technology,Heraklion,Greece,Mar 14-18,2004.Berlin,Heidelberg:Springer,2005:588-596.

[7]Xu Jinxi,Croft W B.Query expansion using local and global document analysis[C]//Proceedings of the 19th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval,Zurich,Switerland, Aug 18-22,1996.New York:ACM,1996:4-11.

[8]Liu Yang,Song Ruihua,Chen Yu,et al.Adaptive query suggestion for difficult queries[C]//Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval,Oregon,USA,Aug 12-16, 2012.New York:ACM,2012:15-24.

[9]Bordino I,De Francisci Morales G,Weber I,et al.From Machu_Picchu to rafting the urubambariver:anticipating information needs via the entity-query graph[C]//Proceedings of the 6th ACM International Conference on Web Search and Data Mining,Rome,Italy,Feb 4-8,2013.New York: ACM,2013:275-284.

[10]Bai Lu,Guo Jiafeng,Cheng Xueqi,et al.Exploring the queryflow graph with a mixture model for query recommendation [C]//Proceedings of the 2011 SIGIR Workshop on Query Representation and Understanding,Beijing,China,Jul 24-28,2011.New York:ACM,2011.

[11]Song Yang,Zhou Dengyong,He Liwei.Query suggestion by constructing term-transition graphs[C]//Proceedings of the 5th ACM International Conference on Web Search and Data Mining,Seattle,USA,Feb 8-12,2013.New York: ACM,2012:353-362.

[12]Wu Wei,Li Hang,Xu Jun.Learning query and document similarities from click-through bipartite graph with metadata [C]//Proceedings of the 6th ACM International Conference on Web Search and Data Mining,Rome,Italy,Feb 4-8, 2013.New York:ACM,2013:687-696.

[13]Chen Jimeng,Wang Yuan,Liu Jie,et al.Modeling semantic and behavioral relations for query suggestion[C]//LNCS 7923:Proceedings of the 14th International Conference on Web-Age Information Management,Beidaihe,China,Jun 14-16,2013.Berlin,Heidelberg:Springer,2013:666-678.

[14]Wei Chao,Liu Yiqun,Zhang Min,et al.Fighting against Web spam:a novel propagation method based on clickthrough data[C]//Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval,Oregon,USA,Aug 12-16,2012.New York:ACM,2012:395-404.

[15]Joachims T.Optimizing search engines using clickthrough data[C]//Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Edmonton,Canada,Jul 23-26,2002.New York:ACM,2002: 133-142.

[16]Jaccard P.The distribution of the flora in the alpine zone 1 [J].New Phytologist,1912,11(2):37-50.

[17]Teevan J,Dumais S T,Horvitz E.Potential for personalization[J].ACM Transactions on Computer-Human Interaction, 2010,17(1):4.

[18]Turpin A,Scholer F.User performance versus precision measures for simple search tasks[C]//Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval,Seattle, USA,Aug 6-11,2006.New York:ACM,2006:11-18.

[19]J?rvelinK,Kek?l?inen J.Cumulated gain-based evaluation of IR techniques[J].ACM Transactions on Information Systems,2002,20(4):422-446.

[20]Albakour M D,Kruschwitz U,Nanas N,et al.AutoEval:an evaluation methodology for evaluating query suggestions using query logs[C]//LNCS 6611:Proceedings of the 33rd European Conference on Advances in Information Retrieval, Dublin,Ireland,Apr 18-21,2011.Berlin,Heidelberg:Springer, 2011:605-610.

LI Jingfei was born in 1987.He is a Ph.D.candidate at Tianjin University,and the student member of CCF.His research interests include query recommendation,quantum information retrieval and search personalization,etc.He has published 5 papers on international conferences.

李競飛（1987—），男，河北石家莊人，天津大學博士研究生，CCF，主要研究領域為查詢推薦，量子信息檢索，個性化信息檢索等。

SHANG Zhenguo was born in 1990.He is an M.S.candidate at Tianjin University.His research interests include query recommendation and search personalization,etc.

ZHANG Peng was born in 1983.He received the Ph.D.degree from Robert Gordon University in 2013.Now he is a lecturer and M.S.supervisor at Tianjin University,and the member of CCF.His research interests include information retrieval,quantum cognitive computing and machine learning,etc.He has published more than 20 papers in journals and conferences.

張鵬（1983—），男，山西高平人，2013年于英國羅伯特戈登大學獲得博士學位，現為天津大學計算機學院講師、碩士生導師，CCF會員，主要研究領域為信息檢索，量子認知計算，機器學習等。發表20余篇期刊及會議論文，主持1項國家自然科學基金和1項教育部博士點新教師類基金。

SONG Dawei was born in 1972.He received the Ph.D.degree from Chinese University of Hong Kong in 2000. Now he is a professor and Ph.D.supervisor at Tianjin University,and the member of CCF.His research interests include theory and formal models for context-sensitive information retrieval,multimedia and social media information retrieval,domain-specific information retrieval,user behavior,interaction and cognition in information seeking, text mining and knowledge discovery,etc.He has published more than 100 papers in many top tier international journal and conference.

宋大為（1972—），男，河北滄州人，2000年于香港中文大學獲得博士學位，現為天津大學計算機學院教授、博士生導師，CCF會員，主要研究領域為信息檢索理論與模型，多媒體與社會媒體信息檢索，特定領域信息檢索，信息檢索用戶交互與認知，文本挖掘與知識發現等。發表學術論文百余篇，主持英國國家工程和物理科學研究基金委員會基金項目4項，參與國家重點基礎研究發展計劃（973）2項，主持國家自然科學基金項目1項。

Auto-adaptive Query Recommendation Model Considering Users? Real-Time Search State?

LI Jingfei,SHANG Zhenguo,ZHANG Peng+,SONG Dawei
Tianjin Key Laboratory of Cognitive Computing andApplication,Tianjin University,Tianjin 300072,China
+Corresponding author:E-mail:pzhang@tju.edu.cn

LI Jingfei,SHANG Zhenguo,ZHANG Peng,et al.Auto-adaptive query recommendation model considering users? real-time search state.Journal of Frontiers of Computer Science and Technology,2016,10(9)：1290-1298.

The traditional query recommendation algorithms generate query suggestions by mining query logs of search engines.However,existing models focus more on the relationships(e.g.,semantic similarity or relevance etc.)between original query and candidate suggestions without considering users’search state during the search process.To address this challenge,this paper proposes a basic assumption for query suggestion inspired by the fact that users have different satisfaction states when searching for information,then verifies the assumption by conducting a large scale online user questionnaire.According to the verified assumption,this paper presents an auto-adaptive query recommendation model which is able to provide different categories of queries to users intelligently.In the proposed model,the system will provide new query suggestions to users when they are satisfied with current search results; on the contrary,the system will tend to recommend those query suggestions which are relevant and have more powerful representing ability.Large scale experiments on query logs show that the proposed model outperforms the traditional query flow graph model significantly and demonstrate the effectiveness of the proposed model.

2015-08,Accepted 2015-10.

query recommendation;query flow graph;search state;satisfaction

*The National Natural Science Foundation of China under Grant Nos.61402324,61272265(國家自然科學基金);the National Basic Research Program of China under Grant Nos.2013CB329304,2014CB744604(國家重點基礎研究發展計劃(973計劃));the Specialized Research Fund for the Doctoral Program of Higher Education of China under Grant No.20130032120044(高等學校博士學科點專項科研基金).

CNKI網絡優先出版:2015-10-20,http://www.cnki.net/kcms/detail/11.5602.TP.20151020.1041.006.html

A

TP391.3