Verwendung von Hidden Markov Modellen zur Beschreibung des Suchverhaltens
Status
Finished master thesis
Student
- Philipp Gerling
Finished
2016
-
Formalia
- Targeted audience
-
- AI Master
- Preconditions
-
- Fortgeschrittene Programmierkenntnisse
- Vorlesung IR und/oder ISM und/oder IE (hilfreich)
- Erfahrung mit maschinellen Lernverfahren (hilfreich)
- Fähigkeit im Lesen und Verstehen englischer wissenschaftlicher Publikationen (notwendig)
Task description
Die Modellierung von Benutzerverhalten ist ein wesentlicher Bestandteil in der Forschung zum Information Retrieval. Quantitative Methoden versuchen aus empirischen Daten allgemeingültige Aussage abzuleiten, welche sich z.B. beim Design oder der Evaluation von Systemen verwenden lassen.
Aktuell werden insbesondere Hidden Markov Models oder Partially Observable Markov Decision Processes eingesetzt. Die wesentlichen Besonderheit dieser Verfahren ist ihre Fähigkeit, auch die nicht sicherbaren kognitiven Prozesse des Benutzers abzubilden.
Im Rahmen dieser Arbeit sollen HMMs insbesondere auf einem vorhandenen Datensatz eingesetzt werden, um die generelle Anwendbarkeit des Verfahrens zu demonstrieren. Dazu kann auf Vorarbeiten des Lernstuhls zurückgegriffen werden.
In zweiten Schritt ist das Gelernte auf einen Entscheidungsfindungsprozess zu übertragen. Die zu untersuchende Forschungsfrage lautet, ob sich das Verhalten des Benutzers beim Umgang mit widersprüchlichen Informationen ebenfalls durch HMM abbilden lässt.
Im einzelnen umfasst die Masterarbeit folgende Aspekte:
- Einarbeitung in den Datenbestand
- Implementierung der Modellerzeugungsverfahren
- Durchführung einer Benutzerstudie zur Entscheidungsfindung
- Evaluation
Literature
-
- Vu T. Tran; Norbert Fuhr (2013).
- Markov Modeling for User Interaction in Retrieval. In: SIGIR 2013 Workshop on Modeling User Behavior for Information Retrieval Evaluation (MUBE 2013)
Modeling Search Processes using Hidden States in
Collaborative Exploratory Web Search