medigraphic.com
ISSN 2307-2113 (Digital)
Revista Cubana de Información en Ciencias de la Salud (ACIMED)

2020, Número 2

<< Anterior Siguiente >>

Revista Cubana de Información en Ciencias de la Salud (ACIMED) 2020; 31 (2)


Preferencias del usuario, categorización de consultas y documentos, tres variables importantes en el cálculo de relevancia

Rodríguez LP, Viltres SH, Febles RJP, Estrada SV

Idioma: Ingles.
Referencias bibliográficas: 17
Paginas: 1-12
Archivo PDF: 312.27 Kb.


RESUMEN

La calidad de un sistema de recuperación de información depende en gran medida del grado de satisfacción de los usuarios en cuanto a los resultados obtenidos al realizar una consulta. Para obtener resultados de búsquedas relevantes es esencial diseñar procesos que almacenen los patrones de preferencias de cada usuario. Este estudio tuvo como objetivo presentar un algoritmo para el cálculo de la relevancia de los documentos brindados. El algoritmo utilizó como parámetros las siguientes variables: perfil de búsqueda del usuario, categoría de los documentos y categoría de la consulta para personalizar los resultados brindados mediante el motor de búsqueda. Además, utilizó como factores de impulso el grado de predominio de una categoría de búsqueda en el perfil del usuario y en las categorías a las que pertenece el documento. Para la validación del modelo se aplicaron las métricas de precisión y exhaustividad que permitieron comprobar que los resultados obtenidos son relevantes para los consumidores de la información.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Marcos MC. Entrevista a Ricardo Baeza-Yates, de Yahoo! Investigation. Hipertext.net. 2008 [acceso: 16/03/2020];6:[aprox. 4 p.]. Disponible en: https://ddd.uab.cat/pub/artpub/2007/88758/hipertext_a2007n5a7/recuperacion-informacion.html

  2. Searchenginejournal.com. Newtown Turnpike. EE. UU: Searchenginejournal.com; 2020 [acceso: 16/03/2020]. Disponible en: https://www.searchenginejournal.com/google-confirms-maccabees-algorithm-update/228901/

  3. Gonzalo C, Codina L, Rovira C. Recuperación de Información centrada en el usuario y SEO: categorización y determinación de las intenciones de búsqueda en la Web. Ind Comunic. 2015;5(3):19-27.

  4. Sust E, Cuevas A, José O. Análisis de tendencias en la personalización de los resultados en buscadores web. RCCI. 2018;12(2):111-28.

  5. Babekr STF, Khaled M. Personalized semantic retrieval and summarization of web based documents. Internat J Adv Comp Sc App. 2013;4(1):177-86.

  6. Bibi T, Dixit P. Web search personalization using machine learning techniques. In: IEEE International Advance Computing Conference (IACC). IEEE; 2014. p. 1296-9.

  7. Bostan S, Ghasemzadeh G. Personalization of Search Engines, Based-on Comparative Analysis of User Behavior. J Advan Computer Res. 2015;6(2):65-72.

  8. Dumais ST. Personalized Search: Potential and Pitfalls. CIKM; 2016. p. 689.

  9. Gao Q, Young I. A multi-agent personalized ontology profile based query refinement approach for information retrieval: control, automation and systems (ICCAS). 13th International Conference on IEEE. p. 2013:543-7.

  10. Ghorab MR. Personalised Information Retrieval: survey and classification. Springer. 2013;23(4):381-443.

  11. Hannak A. Measuring personalization of web search. In: Proceedings of the XXII International Conference on World Wide Web. ACM; 2013. p. 527-38.

  12. Johnson MS. Personalized Recommendation System for Custom Google Search. International Journal of Computer & Mathematical Sciences; 2016:5.

  13. Fransson J. Efficient Information Searching on the Web. A Handbook in the Art of Searching for Information; 2010.

  14. Searchengineland.com. Newtown Turnpike. EE.UU.: Searchengineland.com; c2020 [acceso: 16/03/2020]. 8 major Google algorithm updates, explained [aprox. 15 p.]. Disponible en: https://searchengineland.com/8-major-google-algorithm-updates-explained-282627

  15. Baquerizo R, Leyva P, Febles J, Viltres H, Estrada V. Algorithm for calculating relevance of documents in information retrieval systems. IRJET; 2017 [acceso: 16/03/2020];4(3):[aprox. 13 p.]. Disponible en: https://www.irjet.net/archives/V4/i5/IRJET-V4I501.pdf

  16. Ortega P, Leyva P, Febles JP, Viltres H, Delgado Y. Computational model for the processing of documents and support to the decision making in systems of information retrieval. Internat Res J Engin Technol. IRJET; 2017 [acceso: 16/03/2020];4(5): [aprox. 17 p.]. Disponible en: https://www.irjet.net/archives/V4/i5/IRJET-V4I502.pdf

  17. Viltres H, Rodríguez P, Febles JP, Estrada V. Information retrieval with semantic annotation. Proceedings of the LACCEI international Multi-conference for Engineering, Education and Technology; 2019 [acceso: 16/03/2020];[aprox. 10 p.]. Disponible en: http://laccei.org/LACCEI2019MontegoBay/full_papers/FP308.pdf




2020     |     www.medigraphic.com