2. title list
H. Wang et al. Personalized ranking model
adaptation for web search
F. Raiber et al. Ranking document clusters
using markov random fields
J. H. Paik, A novel TF-IDF weighting
scheme for effective ranking
S. Kamali et al. Retrieving Documents with
mathematical content
3. title list
H. Wang et al. Personalized ranking model
adaptation for web search
F. Raiber et al. Ranking document clusters
using markov random fields
J. H. Paik, A novel TF-IDF weighting
scheme for effective ranking
S. Kamali et al. Retrieving Documents with
mathematical content
やたら複雑なTF-IDFやMathMLとか出てきて正直面白くなさそ
う．．
4. Personalized Ranking Model
Adaptation for Web Search
概要
従来のパーソナライズ手法は各ユーザごとにリッチな履歴を必要としていて，
ユーザの興味の変化に対応できなかった．また，クエリとURLの間の関係を直
接学習するためにカバー率が低い，多くの手法がPRFベースのためにそもそも
１段目の検索で上位に来ない物はリランキング結果に出てこない等という問題
があった．そこで著者らはグローバルランキングモデルをパーソナライズする
手法を提案．加えて，ユーザの興味の変化の早さに追随するために適応効率に
ついても考慮している．
提案手法では，グローバルランキングモデルのパラメータに線形変換を掛ける
ことでパーソナライズモデルを作る．ユーザごとに変換行列を密で持つのは上
長なため，各素性ごとにスケーリングとバイアスの2つの項だけを持つような
行列とすることで空間オーダーを下げている．また，パーソナライズのデータ
が尐ない場合に観測できる素性が疎になってしまい，パラメータが適切に更新
できなくなる問題を，素性をグルーピングしてしまい，観測できた素性につい
ての更新を観測できなかった素性の重みにも伝搬させるという方法で対処して
いる．注目すべきはグローバルランキングモデルのパラメータとパーソナライ
ズランキングモデルの構造が同じ（両方共線形モデル）であるならば，ランキ
ングの学習アルゴリズムが異なっていても良く，グローバルモデルの再学習の
必要はない作りとなっている．
25. title list
H. Wang et al. Personalized ranking model
adaptation for web search
F. Raiber et al. Ranking document clusters
using markov random fields
J. H. Paik, A novel TF-IDF weighting
scheme for effective ranking
S. Kamali et al. Retrieving Documents with
mathematical content
26. Ranking Document Clusters
Using Markov Random Fields
概要
クラスタランキングはクエリとクラスタを比較
する．いくつかの手法はクラスタ間やクラスタ
とドキュメントの類似度等の情報を追加してい
るが，様々なクラスタとクエリの関係を表す情
報を効率的に統合可能にする抜本的なフレーム
ワークはまだない．そこでMRFを用いて様々な
情報を取り込むことが可能なクラスタランキン
グ手法を提案している．
