Combiner la recherche web avec la recommandation d’applications contextuelles

recherche web et applications contextuelles

L’IR classique est centré sur le concept d’un besoin d’information, qui peut être satisfait en (lisant) un ou plusieurs documents. Pourtant, les gens cherchent rarement à satisfaire leur curiosité. En réalité, ils recherchent plutôt sur le Web en quête d’un objectif. Imaginez un moteur de recherche qui, au lieu d’offrir une multitude de pages Web, renvoie des applications qui aident directement les utilisateurs à atteindre leur objectif.

Inspiré par la notion de besoin d’information, nous formulons le concept d’un besoin d’action, qui peut être satisfait par une seule application ou une séquence. Des exemples de mesures à prendre incluent la réservation d’une table de restaurant, la réservation d’un vol ou de vacances complètes et les comparaisons de prix. Bien qu’elles soient liées au filtrage collaboratif, la recommandation d’applications dans la recherche Web est un paradigme plus puissant car elle prend en compte non seulement l’activité passée des utilisateurs et leur similarité avec les autres utilisateurs, mais aussi leur contexte et leur besoin d’action. La recommandation contextuelle des applications est particulièrement utile dans la recherche Web mobile, où le facteur de forme limité du périphérique amène les utilisateurs à apprécier l’assistance qu’ils peuvent obtenir.

Une partie de cette vision, à savoir le développement d’un large écosystème d’applications pour répondre aux divers besoins des utilisateurs, est déjà abordée sur de nombreuses plates-formes. Aujourd’hui, les applications sont omniprésentes sur les téléphones mobiles et deviennent de plus en plus courantes sur les ordinateurs de bureau et même dans les navigateurs web tels que Chrome et Firefox. Cette prolifération d’applications est principalement due à l’avènement des boutiques d’applications en ligne, qui ont révolutionné la distribution de logiciels grand public. Alors que par le passé, les logiciels étaient relativement coûteux et distribués principalement par les magasins de détail ou les ventes directes des fabricants, les magasins d’applications modernes offrent des coûts de transaction réduits et une expérience utilisateur intégrée, encourageant les consommateurs à installer de nouveaux logiciels à des prix inédits

Cependant, alors qu’il existe littéralement des centaines de milliers d’applications, trouver une application adaptée au besoin de l’utilisateur est loin d’être trivial. Les applications se caractérisent par une pluralité de caractéristiques de nature différente (y compris leurs descriptions textuelles, leurs révisions et leurs évaluations) et posent des problèmes rappelant ceux de la récupération d’autres éléments multimédias. La conception de systèmes de recherche d’applications nécessite donc des techniques IR fondées sur des principes, telles que l’analyse et la réécriture de requêtes, l’indexation sophistiquée des applications, l’apprentissage du classement et la connaissance de l’emplacement. La récupération des applications pose de nombreuses questions de recherche, notamment sur la manière de déclencher des applications pour les requêtes de recherche entrantes et sur la manière d’accélérer l’interaction des utilisateurs avec les applications en apprenant à pré-remplir les entrées des applications.

Recommander des applications pertinentes (payantes et gratuites) dans la recherche sur le Web mène également à des opportunités de monétisation intéressantes. Contrairement aux annonces de recherche sponsorisées, les applications pro bono peuvent coexister avec les applications payantes, du moment qu’elles aident l’utilisateur à satisfaire ses besoins d’action (et aident ainsi le moteur de recherche à satisfaire l’utilisateur). La conception d’un mécanisme de monétisation pour les applications doit éviter les limites des systèmes de recherche sponsorisés actuels, où des phrases d’enchères courtes rendent souvent difficile l’évaluation de la pertinence des annonces. Enfin, l’observation de l’interaction des utilisateurs avec les applications permet une meilleure caractérisation des intérêts des utilisateurs.
Cette conférence présentera le domaine émergent de la recherche et de la recommandation d’applications contextuelles, et discutera de ses défis techniques et de ses orientations de recherche prometteuses.

Ceci est un travail commun avec Zhaohui Zheng, Yahoo! Labs Chine, Beijing.

Bio

Evgeniy Gabrilovich est chercheur scientifique et directeur du groupe NLP & IR chez Yahoo! Recherche. Ses intérêts de recherche incluent la recherche d’informations, l’apprentissage automatique et la linguistique informatique. Evgeniy a reçu le prix Karen Sparck Jones 2010 pour ses contributions au traitement du langage naturel et à la recherche d’informations. Il a été membre senior du PC ou président de zone chez SIGIR, AAAI, IJCAI, WWW, WSDM, EMNLP, ICDM et ICWSM. Il a organisé un certain nombre d’ateliers et enseigné plusieurs tutoriels chez SIGIR, ACL, IJCAI, AAAI, CIKM et EC. Evgeniy a obtenu sa maîtrise et son doctorat en informatique auprès du Technion – Israel Institute of Technology. Dans son doctorat thèse, il a développé une méthodologie pour utiliser des référentiels à grande échelle de la connaissance du monde (par exemple, toutes les connaissances disponibles sur Wikipedia) pour améliorer la représentation du texte au-delà du sac de mots.