روش یادگیری ماشین برای ذخیره سازی نتیجه در موتورهای جستجوی وب

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

روش یادگیری ماشین برای ذخیره سازی نتیجه در موتورهای جستجوی وب

عنوان لاتین

A machine learning approach for result caching in web search engines

تکنیک معمول برای بهبود عملکرد موتور جستجو ذخیره سازی نتیجه است. در نتیجه ذخیره سازی، نتایج از پیش رایانش شده (به عنوان مثال، URL ها و قطعاتی از بهترین صفحات مطابق) جستجوهای خاص در حافظه با دسترسی سریع ذخیره می شوند. رخداد های آینده جستجو که نتایج ذخیره شده در کش هستند می توانند به طور مستقیم در کش ذخیره شوند، بدون نیاز به پردازش جستجو با استفاده از منابع محاسباتی پر هزینه. اگر چه دیگر معیارهای عملکردی نیز ممکن هستند اما معیار عملکرد اصلی برای ارزیابی موفقیت نتیجه نرخ بالایی دارد. در این کار ما رویکرد یادگیری ماشین را برای بهبود نرخ نتیجه با تسهیل تعداد زیادی از ویژگی های استخراج شده از موتورهای جستجو ارائه می دهیم. سپس روش پیشنهادی برای یادگیری ماشین را برای کش استاتیک، دینامیک و استاتیک-دینامیک پیشنهاد می کنیم. در مقایسه با روش های قبلی، رویکرد پیشنهادی نرخ حافظه کش را به 0.66٪ افزایش می دهد، که متناظر با 9.60٪ فضای بالقوه برای بهبود است.

A commonly used technique for improving search engine performance is result caching. In result caching, precomputed results (e.g., URLs and snippets of best matching pages) of certain queries are stored in a fast-access storage. The future occurrences of a query whose results are already stored in the cache can be directly served by the result cache, elimi- nating the need to process the query using costly computing resources. Although other performance metrics are possible, the main performance metric for evaluating the success of a result cache is hit rate. In this work, we present a machine learning approach to im- prove the hit rate of a result cache by facilitating a large number of features extracted from search engine query logs. We then apply the proposed machine learning approach to static, dynamic, and static-dynamic caching. Compared to the previous methods in the literature, the proposed approach improves the hit rate of the result cache up to 0.66%, which corresponds to 9.60% of the potential room for improvement.