TAILIEUCHUNG - Báo cáo khoa học: "Mining Entity Types from Query Logs via User Intent Modeling"

We predict entity type distributions in Web search queries via probabilistic inference in graphical models that capture how entitybearing queries are generated. We jointly model the interplay between latent user intents that govern queries and unobserved entity types, leveraging observed signals from query formulations and document clicks. We apply the models to resolve entity types in new queries and to assign prior type distributions over an existing knowledge base. | Mining Entity Types from Query Logs via User Intent Modeling Patrick Pantel Microsoft Research One Microsoft Way Redmond WA 98052 USA ppantel@ Thomas Lin Computer Science Engineering University of Washington Seattle Wa 98195 UsA tlin@ Michael Gamon Microsoft Research One Microsoft Way Redmond WA 98052 USA mgamon@ Abstract We predict entity type distributions in Web search queries via probabilistic inference in graphical models that capture how entitybearing queries are generated. We jointly model the interplay between latent user intents that govern queries and unobserved entity types leveraging observed signals from query formulations and document clicks. We apply the models to resolve entity types in new queries and to assign prior type distributions over an existing knowledge base. Our models are efficiently trained using maximum likelihood estimation over millions of real-world Web search queries. We show that modeling user intent significantly improves entity type resolution for head queries over the state of the art on several metrics without degradation in tail query performance. 1 Introduction Commercial search engines are providing ever-richer experiences around entities. Querying for a dish on Google yields recipe filters such as cook time calories and ingredients. Querying for a movie on Yahoo triggers user ratings cast tweets and showtimes. Bing further allows the movie to be directly added to the user s Netflix queue. Entity repositories such as Freebase IMDB Facebook Pages Factual Pricegrabber and Wikipedia are increasingly leveraged to enable such experiences. There are however inherent problems in the entity repositories a coverage although coverage of head entity types is often reliable the tail can be sparse b noise created by spammers extraction 563 errors or errors in crowdsourced content c ambiguity multiple types or entity identifiers are often associated with the same surface string and d .

• Báo cáo khoa học
• Mining Entity Types
• Query Logs
• User Intent Modeling
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball