هوش وظیفه‌محور برای جستجو و پیشنهاددهی ۲۰۲۲
Task Intelligence for Search and Recommendation 2022

اگرچه پیشرفت‌های چشمگیری در زمینه‌ی جستجو و پیشنهادگرها حاصل شده است، اما هنوز چالش‌ها و فرصت‌هایی برای پرداختن به مسائل دسترسی به اطلاعات وجود دارد که شامل حل وظایف و دستیابی به اهداف برای طیف گسترده‌ای از کاربران می‌شود. به طور مشخص، ما فاقد سیستم‌های هوشمندی هستیم که بتوانند نه تنها درخواستی را که یک فرد ارائه می‌کند (چه چیزی) تشخیص دهند، بلکه قصد (چرا) و راهبردهای (چگونه) او را نیز درک و استفاده کنند، در حالی که اطلاعات ارائه می‌دهند و امکان تکمیل وظیفه را فراهم می‌کنند. بسیاری از محققان در زمینه‌های بازیابی اطلاعات، سیستم‌های پیشنهادگر، بهره‌وری (به‌ویژه در مدیریت وظایف و مدیریت زمان) و هوش مصنوعی، اهمیت استخراج و درک وظایف افراد و نیات پشت انجام آن وظایف را برای خدمت بهتر به آن‌ها تشخیص داده‌اند. با این حال، ما هنوز برای پشتیبانی از آن‌ها در تکمیل وظایف، به عنوان مثال، در جستجو و کمک، تلاش می‌کنیم و عبور از تعاملات تک‌پرسشی یا تک‌نوبتی چالش‌برانگیز بوده است. گسترش عوامل هوشمند، شیوه‌های جدیدی را برای تعامل با اطلاعات باز کرده است، اما این عوامل باید بتوانند با درک زمینه‌های فعلی و آینده کار کنند و به کاربران در سطح وظیفه کمک کنند.

این کتاب بر هوش وظیفه در زمینه‌ی جستجو و پیشنهادگرها تمرکز دارد. فصل 1 خوانندگان را با مسائل مربوط به تشخیص، درک و استفاده از وظیفه و اطلاعات مربوط به وظیفه در یک اپیزود اطلاعاتی (با یا بدون جستجوی فعال) آشنا می‌کند. پس از آن، در فصل 2 چندین ایده و چارچوب برجسته در مورد چگونگی مفهوم‌سازی و نمایش وظایف ارائه می‌شود. در فصل 3، روایت به نشان دادن اینکه چگونه نوع وظیفه با رفتارهای کاربر و اهداف جستجو مرتبط است، می‌پردازد. یک وظیفه می‌تواند به طور صریح در برخی موارد بیان شود، مانند یک برنامه لیست انجام کارها، اما اغلب بیان نمی‌شود. فصل 4 این دو سناریو را با چندین کار مرتبط و مطالعات موردی پوشش می‌دهد. فصل 5 نشان می‌دهد که چگونه دانش وظیفه و مدل‌های وظیفه می‌توانند به حل مسائل نوظهور بازیابی و پیشنهاد کمک کنند. فصل 6 روش‌های ارزیابی و معیارهای سیستم‌های مبتنی بر وظیفه را با مطالعات موردی مرتبط برای نشان دادن کاربردهای آن‌ها پوشش می‌دهد. در نهایت، کتاب در فصل 7 با ایده‌هایی برای مسیرهای آینده در این حوزه‌ی تحقیقاتی مهم به پایان می‌رسد.

While great strides have been made in the field of search and recommendation, there are still challenges and opportunities to address information access issues that involve solving tasks and accomplishing goals for a wide variety of users. Specifically, we lack intelligent systems that can detect not only the request an individual is making (what), but also understand and utilize the intention (why) and strategies (how) while providing information and enabling task completion. Many scholars in the fields of information retrieval, recommender systems, productivity (especially in task management and time management), and artificial intelligence have recognized the importance of extracting and understanding people’s tasks and the intentions behind performing those tasks in order to serve them better. However, we are still struggling to support them in task completion, e.g., in search and assistance, and it has been challenging to move beyond single-query or single-turn interactions. The proliferation of intelligent agents has unlocked new modalities for interacting with information, but these agents will need to be able to work understanding current and future contexts and assist users at task level. This book will focus on task intelligence in the context of search and recommendation. Chapter 1 introduces readers to the issues of detecting, understanding, and using task and task-related information in an information episode (with or without active searching). This is followed by presenting several prominent ideas and frameworks about how tasks are conceptualized and represented in Chapter 2. In Chapter 3, the narrative moves to showing how task type relates to user behaviors and search intentions. A task can be explicitly expressed in some cases, such as in a to-do application, but often it is unexpressed. Chapter 4 covers these two scenarios with several related works and case studies. Chapter 5 shows how task knowledge and task models can contribute to addressing emerging retrieval and recommendation problems. Chapter 6 covers evaluation methodologies and metrics for task-based systems, with relevant case studies to demonstrate their uses. Finally, the book concludes in Chapter 7, with ideas for future directions in this important research area.