Notice bibliographique
Résumé
While the World Wide Web (WWW) contains a vast quantity of information, it is often difficult for Web users to find the information they seek. There are many recommender systems that are designed to help users find relevant information on the Web; however, as many of these systems are server-side, they can only provide information about one specific Web site and they are typically based only on correlations amongst the pages that the various users visit. Unfortunately, there is no reason to believe that these correlated pages will necessarily contain useful information. Here, a passive Goal-Directed Complete-Web (GCW) recommender system, which recommends relevant pages from anywhere on the Web to satisfy the user's current information need without any explicit additional input, has been developed. After identifying the search strategy that is employed by actual users while they browse the Web, the model attempts to locate the pages that satisfy the user's information need based on the content of the pages the user has visited, and the actions the user has applied to these pages. To build such models, I develop a number of browsing features ---browsing properties of the words, in the context of the current session---to capture the actions of the Web user. Because the method is based on how the words are used (while training on these browsing feature values), it can be applied to make predictions about pages that have never been visited. This model is therefore independent of users, specific words and specific Web pages, and so it can be used to identify relevant pages in any new Web environment. To evaluate the predictive models, we have conducted two user studies, each involving over one hundred participants. Data from the user studies demonstrate that the models can effectively identify the information needs of new users, leading them to previously unseen, but relevant pages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».