相關反饋，起源於信息檢索系統領域，其思路是將給定查詢最先返回的結果，和這些結果是否與新查詢是否相關的信息利用起來。區別三種類型的反饋將很有意義：顯式反饋、隱式反饋和盲式或偽反饋。
基本介紹
- 中文名：相關反饋
- 起源：信息檢索系統領域
顯式反饋,隱式反饋,盲式反饋,使用相關性信息,
顯式反饋
顯式反饋是從相關性評估者那裡獲取的，這裡的相關性表示檢索文檔與查詢的相關程度。只有當評估者（或系統的其他用戶）清楚所提供的反饋是被解釋為相關性判斷依據時，這種類型的反饋才能稱為是顯式的。
用戶可能將相關性用二元或分級的相關機制來顯式表示。二元相關反饋表示文檔相對於給定的查詢要么相關，要么不相關。而分級的相關反饋則使用數字、字母或其它描述（如“不相關”，“一點相關”，“相關”，或“很相關”）來表示文檔與查詢的相關程度。當評估者將結果中的文檔按照相關性排序（通常時降序）時，分級的相關反饋也需要使用這種由評估者創建的文檔序號形式，Google在搜尋網站中實現的SearchWiki就是這樣一個例子，
相關反饋信息需要結合原始查詢才能提高檢索性能，如著名的Rocchio算法。
隱式反饋
隱式反饋是從用戶行為中推斷出來的，這些行為比如觀察用戶選擇查看或不查看哪些文檔，查看文檔所持續的時間，或者瀏覽頁面、捲動滾動條操作。
隱式反饋與顯式反饋最主要的區別包括：
- 用戶並不需要為了考慮IR系統需要而去評估相關性，而只關注自己的需要能否滿足即可；
- 並不需要告知用戶他們的行為會被用於相關反饋。
其中的一個例子是Surf Canyon瀏覽器擴展，基於用戶互動（點擊圖示）和搜尋結果連結頁面上的時間花費，來提前從結果集中的後續頁面中搜尋結果。
盲式反饋
偽相關反饋，也稱之為盲式相關反饋，提供的是一種自動局部分析方法，它可以自動化相關反饋的手動操作部分，因此用戶可不用參與額外的互動也可以獲得更好的檢索性能。這種方法首先通過普通檢索從最相關的文檔中尋找到一個初始結果，然後假定其中的前"k"排名文檔是相關的，最後在這個假設條件下像前面一樣進行相關反饋。過程步驟如下：
- 把初始查詢返回的結果當成相關結果（在大多數實驗中僅前k個，k位於10和50之間的數）；
- 使用如TF-IDF權重的方法從這些文檔中選擇前20-30（象徵性的數字）個詞語；
- 執行查詢擴展，將這些詞語加入到查詢中，然後再去匹配查詢所返回的文檔，最終返回最相關的文檔。
一些實驗，如發表在(Buckley et al.1995)的Cornell SMART系統，在TREC 4實驗環境中使用偽相關反饋提升了其檢索系統的性能。
這種自動化技術在大多數情況下都工作正常，有證據表明甚至好於全局分析。通過查詢擴展，一些在初始查詢中錯過的文檔能被重新獲得，從而提高了整體性能。很顯然，這種方法的效果非常依賴於所選擇的擴展詞語的質量，目前已經發現它在TREC即席任務中提高了性能。但是它又避免了自動處理過程的危險，例如，如果需要查詢的是銅礦，而且位於前面的一些文檔都是關於智利的銅礦，那么在查詢方向上會逐漸偏向於那些與智利有關的文檔。然而，如果加入原始查詢的詞語與查詢主題並不相關，檢索質量有可能會下降，尤其是在Web搜尋中，Web文檔經常會覆蓋多個不同的主題。
使用相關性信息
利用相關性信息，可使用相關文檔的內容來調整原始查詢中詞語的權重，也可使用這些內容將詞語加入到查詢中，相關性反饋經常使用Rocchio算法實現。
