مدل‌سازی پویای بازیابی اطلاعات ۲۰۲۲
Dynamic Information Retrieval Modeling 2022

داده‌های حجیم و بازیابی اطلاعات انسان‌محور (HCIR) در حال تغییر دادن بازیابی اطلاعات هستند. این‌ها تغییرات پویای داده‌ها و تعاملات پویای کاربران با سیستم‌های بازیابی اطلاعات را ثبت می‌کنند. یک سیستم پویا سیستمی است که در طول زمان یا یک سری از رویدادها تغییر می‌کند یا خود را تطبیق می‌دهد. بسیاری از سیستم‌ها و داده‌های مدرن بازیابی اطلاعات این ویژگی‌ها را نشان می‌دهند که تا حد زیادی توسط تکنیک‌های مرسوم نادیده گرفته می‌شوند. چیزی که کمبود آن احساس می‌شود، توانایی مدل در تغییر در طول زمان و پاسخگویی به محرک‌ها است. اسناد، مرتبط بودن، کاربران و وظایف، همگی رفتار پویا از خود نشان می‌دهند که در مجموعه‌ داده‌هایی که معمولاً در بازه‌های زمانی طولانی جمع‌آوری می‌شوند، ثبت می‌شود و مدل‌ها باید به این تغییرات پاسخ دهند. علاوه بر این، حجم مجموعه‌داده‌های مدرن محدودیت‌هایی را بر میزان یادگیری که یک سیستم می‌تواند به دست آورد، تحمیل می‌کند. فراتر از این، پیشرفت‌ها در رابط کاربری بازیابی اطلاعات، شخصی‌سازی و نمایش تبلیغات، مدل‌هایی را می‌طلبند که بتوانند در زمان واقعی و به شیوه‌ای هوشمندانه و متنی به کاربران واکنش نشان دهند.

در این کتاب، ما یک مقدمه جامع و به‌روز به «مدل‌سازی پویای بازیابی اطلاعات» ارائه می‌دهیم، یعنی مدل‌سازی آماری سیستم‌های بازیابی اطلاعات که می‌توانند با تغییر سازگار شوند. ما پویایی را تعریف می‌کنیم، اینکه در چارچوب بازیابی اطلاعات به چه معناست و نمونه‌هایی از مشکلاتی را برجسته می‌کنیم که در آن پویایی نقش مهمی ایفا می‌کند. ما تکنیک‌هایی را از بازخورد مرتبط کلاسیک گرفته تا آخرین کاربردهای فرآیندهای تصمیم‌گیری مارکوف با مشاهده جزئی (POMDPs) و تعدادی الگوریتم و ابزار مفید برای حل مسائل بازیابی اطلاعات با در نظر گرفتن پویایی، پوشش می‌دهیم.

بخش نظری بر اساس فرآیند تصمیم‌گیری مارکوف (MDP) است، یک چارچوب ریاضی که از حوزه هوش مصنوعی (AI) گرفته شده است و ما را قادر می‌سازد تا مدل‌هایی بسازیم که با توجه به ورودی‌های متوالی تغییر می‌کنند. ما این چارچوب و الگوریتم‌های متداول برای بهینه‌سازی آن را تعریف می‌کنیم و آن را به حالتی تعمیم می‌دهیم که ورودی‌ها قابل اعتماد نیستند. ما موضوع یادگیری تقویتی را به طور گسترده‌تر بررسی می‌کنیم و ابزار دیگری به نام Multi-Armed Bandit را معرفی می‌کنیم که برای مواردی که بررسی پارامترهای مدل سودمند است، مفید است. پس از این، نظریه‌ها و الگوریتم‌هایی را معرفی می‌کنیم که می‌توان از آن‌ها برای وارد کردن پویایی در یک مدل بازیابی اطلاعات استفاده کرد، قبل از اینکه مجموعه‌ای از تحقیقات پیشرفته را ارائه دهیم که از قبل این کار را انجام می‌دهند، مانند حوزه‌های جستجوی جلسه و تبلیغات آنلاین.

تغییر در قلب سیستم‌های مدرن بازیابی اطلاعات قرار دارد و این کتاب به خواننده کمک می‌کند تا با ابزارها و دانش مورد نیاز برای درک مدل‌سازی پویای بازیابی اطلاعات مجهز شود.

Big data and human-computer information retrieval (HCIR) are changing IR. They capture the dynamic changes in the data and dynamic interactions of users with IR systems. A dynamic system is one which changes or adapts over time or a sequence of events. Many modern IR systems and data exhibit these characteristics which are largely ignored by conventional techniques. What is missing is an ability for the model to change over time and be responsive to stimulus. Documents, relevance, users and tasks all exhibit dynamic behavior that is captured in data sets typically collected over long time spans and models need to respond to these changes. Additionally, the size of modern datasets enforces limits on the amount of learning a system can achieve. Further to this, advances in IR interface, personalization and ad display demand models that can react to users in real time and in an intelligent, contextual way.

In this book we provide a comprehensive and up-to-date introduction toDynamic Information Retrieval Modeling, the statistical modeling of IR systems that can adapt to change. We define dynamics, what it means within the context of IR and highlight examples of problems where dynamics play an important role. We cover techniques ranging from classic relevance feedback to the latest applications of partially observable Markov decision processes (POMDPs) and a handful of useful algorithms and tools for solving IR problems incorporating dynamics.

The theoretical component is based around the Markov Decision Process (MDP), a mathematical framework taken from the field of Artificial Intelligence (AI) that enables us to construct models that change according to sequential inputs. We define the framework and the algorithms commonly used to optimize over it and generalize it to the case where the inputs aren’t reliable. We explore the topic of reinforcement learning more broadly and introduce another tool known as a Multi-Armed Bandit which is useful for cases where exploring model parameters is beneficial. Following this we introduce theories and algorithms which can be used to incorporate dynamics into an IR model before presenting an array of state-of-the-art research that already does, such as in the areas of session search and online advertising.

Change is at the heart of modern Information Retrieval systems and this book will help equip the reader with the tools and knowledge needed to understand Dynamic Information Retrieval Modeling.