| 000 | 02561cam a2200313 4500500 | ||
|---|---|---|---|
| 005 | 20250119075153.0 | ||
| 041 | _afre | ||
| 042 | _adc | ||
| 100 | 1 | 0 |
_aDeveaud, Romain _eauthor |
| 700 | 1 | 0 |
_a SanJuan, Eric _eauthor |
| 700 | 1 | 0 |
_a Bellot, Patrice _eauthor |
| 245 | 0 | 0 | _aAccurate and effective latent concept modeling for ad hoc information retrieval |
| 260 | _c2014. | ||
| 500 | _a69 | ||
| 520 | _aUne requête est la représentation du besoin d’information d’un utilisateur, et est le résultat d’un processus cognitif complexe qui mène souvent à un mauvais choix de mots-clés. Nous proposons une méthode non supervisée pour la modélisation de concepts implicites d’une requête, dans le but de recréer la représentation conceptuelle du besoin d’information initial. Nous utilisons l’allocation de Dirichlet latente (LDA) pour détecter les concepts implicites de la requête en utilisant des documents pseudo-pertinents. Nous évaluons cette méthode en profondeur en utilisant deux collections de test de TREC. Nous trouvons notamment que notre approche permet de modéliser précisément les concepts implicites de la requête, tout en obtenant de bonnes performances dans le cadre d’une recherche de documents. | ||
| 520 | _aA keyword query is the representation of the information need of a user, and is the result of a complex cognitive process which often results in under-specification. We propose an unsupervised method namely Latent Concept Modeling (LCM) for mining and modeling latent search concepts in order to recreate the conceptual view of the original information need. We use Latent Dirichlet Allocation (LDA) to exhibit highly-specific query-related topics from pseudo-relevant feedback documents. We define these topics as the latent concepts of the user query. We perform a thorough evaluation of our approach over two large ad-hoc TREC collections. Our findings reveal that the proposed method accurately models latent concepts, while being very effective in a query expansion retrieval setting. | ||
| 690 | _arecherche d'information | ||
| 690 | _aLDA | ||
| 690 | _aretour de pertinence simulé | ||
| 690 | _aTREC | ||
| 690 | _amodélisation thématique | ||
| 690 | _ainformation retrieval | ||
| 690 | _apseudo-relevance feedback | ||
| 690 | _aLDA | ||
| 690 | _aTREC | ||
| 690 | _atopic modeling | ||
| 786 | 0 | _nDocument numérique | 17 | 1 | 2014-06-01 | p. 61-84 | 1279-5127 | |
| 856 | 4 | 1 | _uhttps://shs.cairn.info/revue-document-numerique-2014-1-page-61?lang=en&redirect-ssocas=7080 |
| 999 |
_c402230 _d402230 |
||