FeedLens：用于个性化探索知识图谱的多态透镜

文献标题

FeedLens: Polymorphic Lenses for Personalizing Exploratory Search over Knowledge Graphs

文献信息

• 主题领域: 基于知识图谱的探索性搜索和个性化推荐
• 关键词: 知识图谱，探索性搜索，推荐系统，交互技术，多态化镜头，用户研究

研究背景与问题

• 问题与挑战:

  • 随着知识图谱（KG）在信息检索中的普及，其庞大的规模和开放性使得用户的探索性搜索变得复杂并对认知资源要求较高。
  • 已有的知识图谱系统通常对单一实体类型的推荐模型有较高的依赖，而难以扩展为适用于跨实体类型的搜索和导航。
  • 在科研文献搜索中，用户不仅需要找到相关文章，还希望能高效发现相关作者、机构和会议等其他实体。

• 重要性:

  • 对于复杂领域（例如科学文献或电子商务），现有探索性搜索工具未能充分简化用户导航并提升知识发现效率。
  • 个人偏好模型已被大规模使用，但尚未完全用于跨实体之间的导航与排名，这限制了其在知识图谱中的潜力。

• 研究动机与相关工作:

  • 许多研究表明，利用用户偏好创建“镜头”（如基于关键词过滤搜索结果）可以提高搜索结果的相关性。
  • 但现有研究大多仅限于针对单一实体类型的镜头构建，缺乏对跨类型推广的探讨。

解决方案

• 核心方法:

  • 提出了一种新的技术称为“多态化镜头 (polymorphic lenses)”：
    • 将现有的基于单一实体类型（如论文）的个性化偏好模型重新应用于知识图谱中的其他实体类型和关系（如作者、机构、会议等）。
    • 通过对用户偏好模型的泛化，使其能够根据基础实体的偏好对多种类型的实体进行打分、排名和总结。

• 创新之处:

  • 方法简洁通用: 重用已有的用户偏好模型，无需重新构建；确保其适用于复杂知识图谱中的各种实体和集合。
  • 动态关联: 将定制过滤扩展为整个知识图谱的新探索终点。
  • 系统化落地: 在Semantic Scholar (S2)的科学文献导航系统中实现，并基于基于实验反馈优化设计。

• 实施步骤与关键技术:

  1. 定义多态化镜头: 针对基础实体类型的偏好模型，使用特定聚合函数（如计数评分）推算其他类型实体的相关性评分。
  2. 界面集成: 在Semantic Scholar中设计新的前端功能，直观地展现基于镜头的评分（如作者、论文和会议的热度图、排序功能等）。
  3. 后端实现:
     • 使用支持向量机（SVM）和SPECTER嵌入模型为论文构建偏好评分。
     • 针对知识图谱规模问题，提出聚类策略（例如摘要嵌入策略）以优化大规模数据处理效率。

研究成果

• 主要成果:

  • 提出并验证了“多态化镜头”的技术，使知识图谱中的多个实体类型互相关联并支持用户高效导航。
  • 实现了一个具体系统FeedLens，并展示了其在科学文献搜索中的实用性。

• 实验结果:

  • 通过15人的对比实验，发现FeedLens相较于基础系统Semantic Scholar的优势包括：
    • 高效性：用户探索更多内容（系统交互数量提高约4倍）。
    • 相关性：所选作者的相关论文更高（提升约2倍）。
    • 用户体验：显著降低认知负担（NASA-TLX分数降低），系统可用性得分提高（SUS 评分从77提高到84）。
    • 用户对某些重要新功能（例如作者推荐）给出了近乎满分的评分（平均>4/5）。

• 局限性与未来方向:

  • 当前研究仅在学术文献领域验证，未来可扩展至其他领域（如电子商务、在线流媒体推荐）。
  • 数据导向的盲区：对随机推荐的小样本作者加重偏倚可能影响整体探索质量，需进一步优化评估。
  • 用户研究的样本量有限，需更广泛的数据采集来验证普适性。

通过这一机制，FeedLens有效提升了探索性搜索的效率和体验，探索了个性化推荐在知识图谱中的新应用范式。