超级会员免费看
快速交互式信息检索与搜索可用性设计
1. 快速交互式信息检索
1.1 SBMDS算法在GPU架构上的实现
在GPU上实现SBMDS算法时，使用大小为32的二维块和大小等于子矩阵大小除以块大小的二维网格。为了获得更好的性能，除了CUDA之外，还使用了其他技术，包括流、使用
cudaMemcpyAsync
函数进行异步数据传输以及CULA库。
1.2 实验结果
1.2.1 实验设置
考虑数据集$X = {x_1, \ldots, x_n}$、查询图像$x_q$、任意距离函数$d$、k - means算法中的聚类数$k$以及相关反馈算法中的迭代数$k_{rf}$。界面由查询和三个独立的可视化部分组成，目标是让用户从更多相关结果中进行选择，提供更丰富的数据可视化概述，并以交互速度更新视图。
1.2.2 可视化视图
- 传统排名列表视图 ：在特征重加权相关反馈算法的第$k_{rf}$次迭代中，根据距离函数$d$列出与查询$x_q$最接近的$r$个图像。在第一次相关反馈之前，使用L1距离函数显示前70个检索结果。
- 聚类代表视图 ：在相关反馈算法的第$k_{rf}$次迭代中，对整个重加权数据集在GPU架构上进行二维快速SBMDS投影后，使用k - means聚类算法自动选择一小部分图像。距离函数$d$用于确定与查询$x_q$最近的$n_c$个质心，并为每个质心选择“不同的代表图像”进行显示。
- 聚类成员视图 ：从聚类代表视图中选择一个图像后，自动从所选图像对应的聚类中选择一个图像子集显示在聚类成员视图中。每个聚类中自动选择的图像数量$n_s$由用户确定，使用距离函数$d$确定距离真实聚类质心最近的$n_s$个图像（不包括代表图像本身）。如果某个聚类没有足够的图像，则从排名列表视图中选择剩余的最低排名图像。
1.2.3 实验评估
- 数据集 ：使用包含古代中美洲玛雅象形文字的数据集，该数据集包含6240张图像，均匀分布在24个视觉类别中，每个类别有10个不同的实例，每个实例有25个合成变体。
- 特征描述 ：首先计算图像的HOOSC描述符，然后进行k - means聚类以估计包含1000个视觉单词的视觉词汇表，从该视觉词汇表中计算量化描述符索引的归一化分布，为每个图像获得视觉词袋。
- 实验方法 ：使用特征重加权相关反馈方法，比较排名列表视图（RL方法）和组合视图（CV方法）获取相关图像的性能。所有特征向量使用L1距离函数进行比较。
1.2.4 实验结果分析
| 分析内容 | 结果 |
|---|---|
| 平均精度与相关项数量关系 | 平均精度随着用户选择的相关项数量的增加而增加。 |
| 方法性能比较 | CV方法在第一次迭代中60%的时间表现更好，且第一次迭代中CV方法标记的相关图像平均数量更高。 |
| 速度评估 | SBMDS在GPU架构上的实现比CFMDS快约20倍，CFMDS比顺序实现快100倍，且SBMDS与顺序版本的误差约为$\epsilon < 0.001$，在提高速度的同时保持了准确性。 |
1.3 结论
相关反馈算法可以改进基于内容的图像检索（CBIR）系统，但更新时间可能成为瓶颈。利用图形硬件进行通用计算可以通过在强大的平台上实现并行计算来提高交互式CBIR环境中算法的速度。提出了基于快速k - means聚类和新的快速SBMDS在GPU架构上实现的快速交互式CBIR界面，实验证明了该界面在交互速度下的有效性。
2. 搜索可用性设计
2.1 引言
搜索不仅仅是一个搜索框和十个蓝色链接，它是一个旅程。就像刘易斯和克拉克的探险之旅一样，搜索过程中所遇到的信息会改变我们的搜索目标。搜索通常是一个持续的探索过程，可能涉及多人，并且可以在各种设备上进行。本教程从理论和实践两部分探索用户体验设计的艺术和科学。
2.2 教程内容
2.2.1 课程章节
- 介绍和目标 ：小组介绍和破冰活动，简要总结每个参与者希望从课程中获得的内容以及他们带来的经验。
- 理解搜索和发现行为 ：概述人类信息搜索行为的关键理论和模型，关注Bates、Belkin、Jarvelin & Ingwersen、Marchionini、Pirolli等人的工作以及它们与更面向实践的方法的关系。
- 不同情境的多样解决方案 ：探索定义信息搜索行为的通用维度，以及如何将这些维度转化为搜索和发现体验设计的原则。
- 制定查询 ：详细研究引出、消除歧义并细化信息需求的各种方法，以及设计干预如何支持这一过程。
- 显示结果 ：探索搜索结果显示和操作的关键问题和原则，以及如何利用这些原则促进用户的有效搜索。
- 分面导航与搜索 ：回顾分面分类的关键原则及其对有效分面搜索应用设计的实际影响。
2.3 总结
搜索是一个复杂的过程，涉及到用户体验设计的多个方面。通过对快速交互式信息检索和搜索可用性设计的研究，可以提高信息检索的效率和用户体验。在信息检索中，利用GPU架构可以显著提高算法速度；在搜索设计中，需要综合考虑用户的信息搜索行为和需求，将理论应用于实践，设计出更有效的搜索界面和体验。
下面是一个mermaid流程图，展示快速交互式信息检索的主要流程：
graph LR
A[开始] --> B[设置数据集和参数]
B --> C[进行特征重加权相关反馈]
C --> D[传统排名列表视图显示结果]
C --> E[进行SBMDS投影和k - means聚类]
E --> F[聚类代表视图选择图像]
F --> G[聚类成员视图显示对应图像]
D --> H[评估检索性能]
F --> H
G --> H
H --> I[分析实验结果]
I --> J[结束]
下面是一个表格，总结搜索可用性设计教程的主要内容：
| 章节 | 内容 |
| — | — |
| 介绍和目标 | 小组介绍、明确目标和经验分享 |
| 理解搜索和发现行为 | 理论和模型概述 |
| 不同情境的多样解决方案 | 通用维度转化为设计原则 |
| 制定查询 | 引出和细化信息需求的方法 |
| 显示结果 | 结果显示和操作原则 |
| 分面导航与搜索 | 分面分类原则和应用设计 |
2.4 搜索可用性设计的深入探讨
2.4.1 理解搜索与发现行为的关键理论
在理解搜索和发现行为方面，众多学者的理论和模型为我们提供了深入的见解。例如，Bates的“浆果采摘模型”强调信息搜索是一个逐步探索、不断发现的过程，用户就像在采摘浆果一样，在信息空间中寻找有价值的信息。Belkin的“异常知识状态理论”指出，用户在搜索信息时，是因为意识到自己的知识状态存在异常，需要通过信息搜索来消除这种异常。Jarvelin & Ingwersen的“信息交互模型”则突出了用户与信息系统之间的交互作用，认为搜索是一个动态的、持续的交互过程。
这些理论与更面向实践的方法相互关联。Morville提出的“信息架构”概念，为搜索和发现体验的设计提供了整体的框架，强调信息的组织和结构对于用户搜索的重要性。Tunkelang则从工程实践的角度，探讨了如何优化搜索算法和系统，以提高搜索的效率和准确性。
2.4.2 不同情境下的设计原则
信息搜索行为受到多种情境因素的影响，如搜索的目的、用户的知识水平、搜索的环境等。因此，在设计搜索和发现体验时，需要考虑这些通用维度，并将其转化为具体的设计原则。
例如，对于专业用户和普通用户，他们的信息需求和搜索能力存在差异。专业用户可能更注重搜索的准确性和深度，需要提供更高级的搜索功能和详细的搜索结果；而普通用户则更关注搜索的便捷性和易用性，搜索界面应简洁明了，结果呈现应直观易懂。
另外，搜索的环境也会影响设计。在移动设备上进行搜索时，由于屏幕尺寸和输入方式的限制，搜索界面需要进行优化，以适应小屏幕和触摸操作。而在企业内部搜索中，需要考虑数据的安全性和权限管理，确保只有授权用户能够访问特定的信息。
2.4.3 制定查询的方法与设计干预
制定查询是信息搜索的关键步骤。用户的信息需求往往是模糊的、不明确的，需要通过各种方法来引出、消除歧义并细化这些需求。
常见的方法包括关键词查询、自然语言查询、示例查询等。关键词查询是最基本的方法，用户通过输入关键词来表达自己的信息需求。自然语言查询则允许用户使用自然语言进行搜索，系统需要对用户的输入进行语义分析和理解。示例查询则是用户通过提供一个示例来表达自己的需求，系统根据示例来查找相似的信息。
设计干预可以支持这一过程。例如，提供查询建议功能，当用户输入关键词时，系统自动显示相关的查询建议，帮助用户完善查询。还可以提供查询纠错功能，当用户输入错误的关键词时，系统能够自动识别并提供正确的建议。
2.4.4 显示结果的关键原则
显示结果是搜索过程的重要环节，它直接影响用户对搜索结果的理解和利用。在显示和操作搜索结果时，需要遵循一些关键原则。
首先，结果的排序要合理。可以根据相关性、时效性、权威性等因素对结果进行排序，确保最相关、最有用的信息排在前面。其次，结果的呈现要清晰明了。可以使用摘要、标题、图片等多种方式来呈现结果，让用户能够快速了解结果的内容。另外，还可以提供结果的筛选和过滤功能，让用户能够根据自己的需求筛选出符合条件的结果。
2.4.5 分面导航与搜索的应用
分面导航是一种有效的搜索和浏览方式，它通过将信息按照不同的维度进行分类和组织，让用户能够根据自己的需求逐步缩小搜索范围。
分面分类的关键原则包括维度的选择、维度的层次结构、维度的标签等。在设计分面搜索应用时，需要根据信息的特点和用户的需求选择合适的维度，并合理组织维度的层次结构。例如，在一个图书搜索系统中，可以选择作者、出版社、出版年份等维度进行分类，用户可以根据这些维度逐步筛选出自己需要的图书。
2.5 总结与展望
搜索可用性设计是一个综合性的领域，涉及到用户体验设计、信息科学、人机交互等多个学科。通过深入理解人类信息搜索行为的理论和模型，将其应用于搜索和发现体验的设计中，可以提高搜索的效率和用户体验。
在未来，随着技术的不断发展，搜索将变得更加智能化、个性化。例如，人工智能技术的应用可以让搜索系统更好地理解用户的需求，提供更精准的搜索结果。同时，搜索也将更加融入到人们的日常生活中，成为人们获取信息的重要方式。因此，我们需要不断探索和创新，设计出更加高效、便捷、人性化的搜索体验。
下面是一个mermaid流程图，展示搜索可用性设计的主要流程：
graph LR
A[开始] --> B[理解用户需求和情境]
B --> C[选择合适的设计原则和方法]
C --> D[设计搜索界面和功能]
D --> E[进行用户测试和反馈]
E --> F[优化设计]
F --> G[上线和持续改进]
G --> H[结束]
下面是一个表格，总结搜索可用性设计的关键要点：
| 要点 | 描述 |
| — | — |
| 理解行为 | 掌握人类信息搜索行为的理论和模型 |
| 情境设计 | 根据不同情境制定设计原则 |
| 查询制定 | 提供多种查询方法和设计干预 |
| 结果显示 | 遵循合理排序、清晰呈现等原则 |
| 分面导航 | 应用分面分类原则设计搜索应用 |
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
