Localized query prediction (LQP) is

Localized query prediction (LQP) is the task of estimating web query trends for a specific location. This
problem subsumes many interesting personalized web applications such as personalization for buzz query
detection, for query expansion, and for query recommendation. These personalized applications can greatly
enhance user interaction with web search engines by providing more customized information discovered
from user input (i.e., queries), but the LQP task has rarely been investigated in the literature. Although
exist abundant work on estimating global web search trends does exist, it often encounters the big challenge
of data sparsity when personalization comes into play.
In this article, we tackle the LQP task by proposing a series of collaborative language models (CLMs).
CLMs alleviate the data sparsity issue by collaboratively collecting queries and trend information from the
other locations. The traditional statistical language models assume a fixed background language model,
which loses the taste of personalization. In contrast, CLMs are personalized language models with flexible
background language models customized to various locations. The most sophisticated CLM enables the
collaboration to adapt to specific query topics, which further advances the personalization level. An extensive
set of experiments have been conducted on a large-scale web query log to demonstrate the effectiveness of
the proposed models.

ผลลัพธ์ (ไทย) 1:

สอบถามที่ท้องถิ่นคาดเดา (LQP) เป็นงานของการประเมินแนวโน้มสอบถาม web สำหรับที่ตั้งเฉพาะ นี้ปัญหา subsumes โปรแกรมประยุกต์เว็บส่วนบุคคลน่าสนใจมากมายเช่นส่วนบุคคลแบบสอบถามของ buzzตรวจสอบ การขยายแบบสอบถาม และคำแนะนำแบบสอบถาม สามารถใช้งานส่วนบุคคลเหล่านี้อย่างมากเพิ่มผู้ใช้โต้ตอบกับเว็บเสิร์ชเอนจิ้น โดยการให้ข้อมูลเพิ่มเติมเองค้นพบจากผู้ใช้ป้อนข้อมูล (เช่น สอบถาม), แต่การ LQP งานได้ไม่ค่อยถูกตรวจสอบในวรรณคดี ถึงแม้ว่ามีมีงานมากมายในการประเมินแนวโน้มการค้นหาเว็บทั่วโลก มักจะพบกับความท้าทายที่ใหญ่ของข้อมูล sparsity เมื่อตั้งมาเล่นในบทความนี้ เราแสวง LQP งาน โดยเสนอชุดของรูปแบบภาษาร่วม (CLMs)CLMs บรรเทาปัญหา sparsity ข้อมูล โดยรวบรวมแบบสอบถามและข้อมูลแนวโน้มร่วมกันสถานอื่น ๆ แบบจำลองทางสถิติภาษาดั้งเดิมสมมติแบบภาษาพื้นถาวรซึ่งสูญเสียรสชาติของส่วนบุคคล ในทางตรงกันข้าม CLMs มีรูปแบบภาษาแบบ มีความยืดหยุ่นรุ่นภาษาพื้นหลังที่กำหนดตำแหน่งต่าง ๆ CLM สุดทันสมัยช่วยให้การความร่วมมือเพื่อปรับให้เข้ากับหัวข้อสอบถามที่ระบุ ซึ่งเพิ่มเติมความก้าวหน้าในระดับส่วนบุคคล การชุดการทดลองได้ดำเนินในบันทึกแบบสอบถามเว็บขนาดใหญ่แสดงให้เห็นถึงประสิทธิภาพของรูปแบบนำเสนอ

ผลลัพธ์ (ไทย) 2:

ทำนายแบบสอบถาม Localized (LQP) เป็นงานของการประเมินแนวโน้มการค้นหาเว็บสำหรับสถานที่ที่เฉพาะเจาะจง นี้
ปัญหา subsumes หลายโปรแกรมเว็บส่วนบุคคลที่น่าสนใจเช่นข้อมูลส่วนบุคคลสำหรับการค้นหาฉวัดเฉวียน
การตรวจสอบสำหรับการขยายการค้นหาและสำหรับคำแนะนำการสอบถาม การใช้งานส่วนบุคคลเหล่านี้มากสามารถ
เพิ่มศักยภาพในการโต้ตอบกับผู้ใช้กับเครื่องมือค้นหาเว็บโดยการให้ข้อมูลที่กำหนดเองเพิ่มเติมค้นพบ
จากการป้อนข้อมูลของผู้ใช้ (เช่นคำสั่ง) แต่งาน LQP ได้รับการตรวจสอบไม่ค่อยในวรรณคดี แม้ว่า
การทำงานที่มีอยู่มากมายในการประเมินแนวโน้มการค้นหาเว็บทั่วโลกไม่อยู่ก็มักจะพบความท้าทายใหญ่
ของข้อมูลส่วนบุคคล sparsity เมื่อเข้ามาในเล่น.
ในบทความนี้เราจะแก้ไขปัญหางาน LQP โดยเสนอชุดของรูปแบบการทำงานร่วมกันภาษา (CLMS).
CLMS บรรเทาปัญหา sparsity ข้อมูลโดยการประสานความร่วมมือในการเก็บรวบรวมข้อมูลแบบสอบถามและแนวโน้มจาก
สถานที่อื่น ๆ แบบจำลองทางสถิติแบบดั้งเดิมภาษาถือว่าเป็นรูปแบบภาษาพื้นหลังคง
ที่สูญเสียรสชาติของส่วนบุคคล ในทางตรงกันข้าม CLMS เป็นส่วนบุคคลรุ่นภาษาที่มีความยืดหยุ่นใน
รูปแบบภาษาพื้นหลังที่กำหนดเองไปยังสถานที่ต่างๆ CLM ที่ทันสมัยที่สุดจะช่วยให้
การทำงานร่วมกันเพื่อปรับให้เข้ากับหัวข้อการสอบถามเฉพาะที่ก้าวหน้าต่อไปในระดับส่วนบุคคล กว้างขวาง
ชุดของการทดลองได้รับการดำเนินการเกี่ยวกับเว็บขนาดใหญ่บันทึกแบบสอบถามเพื่อแสดงให้เห็นถึงประสิทธิภาพของ
รูปแบบที่นำเสนอ

ผลลัพธ์ (ไทย) 3:

ค้นหาคำทำนายถิ่น ( lqp ) คืองานเว็บแบบสอบถามประเมินแนวโน้มสำหรับสถานที่เฉพาะ ปัญหานี้น่าสนใจมากมาย
subsumes ส่วนบุคคลโปรแกรมประยุกต์เว็บเช่นแพลตฟอร์มการค้นหา
ฉวัดเฉวียน สำหรับการขยายคำสั่งสอบถาม และแนะนำการ เหล่านี้ส่วนบุคคลการใช้งานเป็นอย่างมาก
เพิ่มปฏิสัมพันธ์ของผู้ใช้กับเครื่องมือค้นหาบนเว็บโดยการให้ปรับแต่งเพิ่มเติมข้อมูลค้นพบ
จากผู้ใช้ป้อนข้อมูล เช่น แบบสอบถาม ) แต่ lqp งานยังไม่ค่อยถูกใช้ในวรรณคดี แม้ว่า
มีอยู่งานมากมายประมาณแนวโน้มการค้นหาเว็บทั่วโลกมีอยู่ มันมักจะพบความท้าทายใหญ่ของข้อมูลส่วนบุคคล sparsity

เมื่อเข้ามาในเล่น ในบทความนี้เราเล่นงาน lqp งานโดยเสนอชุดของแบบภาษาร่วมกัน ( clms )
clms บรรเทาปัญหา โดยการเก็บรวบรวมข้อมูล sparsity ร่วมกันค้นหาและแนวโน้มข้อมูลจาก
สถานที่อื่น ๆ รุ่นภาษาสถิติดั้งเดิมถือว่าคงที่ พื้นฐานภาษารูปแบบ
ซึ่งสูญเสียรสชาติของการตั้งค่าส่วนบุคคล ในทางตรงกันข้ามclms เป็นภาษาที่มีความยืดหยุ่นส่วนบุคคลรูปแบบพื้นหลังปรับแต่งภาษา
รุ่นต่างๆ ในสหรัฐอเมริกาที่ซับซ้อนมากที่สุด ช่วยให้องค์กรเพื่อปรับให้เข้ากับหัวข้อ
สอบถามเฉพาะ ซึ่งความก้าวหน้าเพิ่มเติมระดับการตั้งค่าส่วนบุคคล กว้างขวาง
ชุดการทดลองที่ได้รับการดำเนินการในบันทึกเว็บแบบสอบถามขนาดใหญ่แสดงให้เห็นถึงประสิทธิภาพของ
เสนอโมเดล