JP2008217764A

JP2008217764A - セッションベースクエリのためのノードのランク付け

Info

Publication number: JP2008217764A
Application number: JP2007330742A
Authority: JP
Inventors: Stergios Stergiou; ステルギオウステリオス; Jawahar Jain; ジャインジャワハー
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2006-12-22
Filing date: 2007-12-21
Publication date: 2008-09-18
Anticipated expiration: 2027-12-21
Also published as: JP5194778B2

Abstract

【課題】セッションベースクエリのためのノードのランク付けを課題とする。
【解決手段】一実施形態において、本方法はセッションノードとそれにリンクした複数のリンクされたノードを含むノードのセットのモデルを利用する。リンクされたノードは親ノードと子ノードとを含む。親ノードは１つ以上の子ノードをセッションノードにリンクし、子ノードはそれをセッションノードにリンクする１つ以上の親ノードを有する。上記方法は、セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階を含む。各子ノードはその親ノードから親ノードに分配された所定割合の確率を受け取り、親ノードはその子ノードの各々に分配された確率の所定割合を一様に分配する。
【選択図】図４

Description

本発明はワールド・ワイド・ウェブ中のウェブページ等の相互リンクが張られたオブジェクトの検索に関する。
［関連出願］
この出願は、米国仮出願第６０／８７６５４６号（２００６年１２月２２日出願）の米国特許法第１１９条（ｅ）の利益を主張するものである。

ウェブベース検索のためのノードのランク付けは重要な技術である。例えば、ＰＡＧＥＲＡＮＫはグーグル社が使用しているものであるが、ワールド・ワイド・ウェブの構造を調べてウェブページをランク付けしている。しかし、ＰＡＧＥＲＡＮＫは、成功しているが、ユーザの一般的な検索行動を正確にモデル化していない。

実施形態により、例えばワールド・ワイド・ウェブのウェブページ等の相互リンクが張られた文書またはその他のオブジェクトのコレクション（collection）を検索するためのセッションベースのユーザモデルを提供する。一部の実施形態では、典型的なユーザ行動を従来技術よりよく追跡（track）できる、オブジェクトのセット全体の順序（すなわちランク）を計算する。

ＰＡＧＥＲＡＮＫはウェブページをその間のリンクを調べてランク付けするアルゴリズムである。各ウェブページＰ_ｉに付されるランクは、ユーザが、ランダムに選択したウェブページから始まるリンクをランダムに選択した場合に、いずれはＰ_ｉを訪れる（visit）確率に対応する。ワールド・ワイド・ウェブを「サーフィン（surfing）」するこのモデルは、ランダムサーファーモデルである。

ウェブにｎページＰ_１，．．．，Ｐ_ｎあり、各ページｉは外へのｌ_ｉ個のリンクを有すると仮定する。Ｅ_ｉｊ＝１であるとき、ページｉからページｊへのリンクがあることを示す。リンクが無ければＥ_ｉｊ＝０である。ＰＡＧＥＲＡＮＫはｎページの各々のランクのベクトルＲを計算する。ここで、Ｒ（ｉ）はページｉのランクである。ＰＡＧＥＲＡＮＫはこの計算を反復し、計算したベクトルが同じ（similar）になるまでこの計算を反復する。このアルゴリズムでは、次の計算を行う：

ＰＡＧＥＲＡＮＫでは、αの値は０．８５である。

最初、ユーザがあるウェブページを訪れる確率はすべてのウェブページで等しい。ユーザがｔ番目の反復時にウェブページｉをおとずれる確率はＲ_ｔ（ｉ）である。ユーザはページｉ中のｌ_ｉ個のリンクの１つをランダムに選択するので、ユーザがウェブページｊにジャンプする確率は

である。ＰＡＧＥＲＡＮＫは、この確率を、ユーザが次のステップにウェブページｊにいる確率Ｒ_ｔ＋１（ｊ）に加える。ユーザがウェブページｊ以外のウェブページにジャンプする確率は１−αであり、この確率は比較的小さい。

ランダムサーファーモデルは分析が比較的容易であるが、現実のユーザが検索をするやり方を正しく捉えていない。対照的に、本発明の実施形態は検索セッションの概念に基づくモデルを利用する。

図１は、ウェブページのセットにわたってのユーザの検索行動例を示す図である。ユーザはセッションページｉから検索を開始すると仮定する。ユーザは外へのｌ_ｉ個のリンクの１つから他のページｊに進み、検索をやめるか、セッションページｉに戻って異なるリンク経路に進むまで、リンクのシーケンスの行き来を続ける。例えば、ユーザはセッションページｉから検索を開始する。ユーザはノード１を訪れ、ノード２に進む。ここで、必要に応じて、ノードとはウェブページやその他のリンク可能オブジェクトを含むものとし、その逆の場合も同じとする。ユーザは、欲するものが見つからなければ、セッションページｉに戻り、他のリンクを選択し、ノード３まで行く。ユーザは、この方向性は望ましくないと判断し、再びセッションページｉに戻る。ユーザは、ノード４に行くリンクに進み、最終的にノード５に行く。

この検索方法は現実のユーザの典型的な行動により近いものである。ユーザは、長いリンク経路（long path of links）をたどってページに行き着くのではなく、もっと小さいリンクシーケンスをたどり、その途中で（at the end）そのシーケンスをさらに先に進むかどうか判断する。ユーザは、そのシーケンスをさらに先に進まない場合、元のページに戻り他の経路に進む。かかる検索パターンはインテリジェントサーファーモデル（Intelligent Surfer Model）の基礎となる。一部の実施形態では、かかる検索パターンを使用し、ウェブページやその他のリンク可能オブジェクト（linkable objects）のランクを計算する。

Ｈ_ｉ ^ｄをセッションページｉからｄ個のリンクを隔てたページのセットとする。Ｈ_ｉをセッションページｉから最大ｋ個のリンクを隔てたページのセットとする。一部の実施形態では、以下の一様分布から始めて、確率ベクトルＲを反復的に計算する。

Ｒ_０は、すべてのノードが最初にセッションノードとして等しい確率を有することを意味している。Ｃ_ｉｊは、反復ｔにおいてセッションページｉがノードｊに貢献する確率Ｒ_ｔ（ｉ）の割合を示す。Ｃ_ｉｊは、ノードｉとノードｊの間に最大ｋ個のリンクを有する経路がある場合にのみ非ゼロとなる。一部の実施形態では、Ｃ_ｉｊはｔとは独立なので、Ｃ_ｉｊを事前に計算する。

一部の実施形態では、Ｈ_ｉ中のノードに確率Ｒ_ｔ（ｉ）を階層化して分配する。例えば、第１のステップですべてのＲ_ｔ（ｉ）をＨ_ｉ ^１中のｌ_ｉ個のノードに分配する。簡単のため、一部の実施形態では、この分配は実質的に一様であると仮定する。第２のステップで、ｊからリンクされたＨ_ｉ ^２中のノードに、Ｈ_ｉ ^１中の各ノードｊに分配された確率のパーセンテージを分配する。再度、簡単のため、一部の実施形態では、ｊの確率の１／２をｊがリンクするｌ_ｊ個のノードに均等に分配するものとしてもよい。一部の実施形態では、このプロセスをｋ回のステップに対して反復する。

図２乃至図４は、一部の実施形態でＲ_ｔ（ｉ）をＨ_ｉ中のノードにいかに分配するかを例示する分配例を示す。図２は一例であり、第１のステップで確率β＝Ｒ_ｔ（ｉ）をノードｖ_１、ｖ_２及びｖ_３に均等に分配する。ノードｖ_１、ｖ_２及びｖ_３はノードｉに集まっているものである。図３に例として示したように、これ以降のステップで、ノードｖ_１、ｖ_２及びｖ_３の確率をそれぞれノード［v_４、v_５、v_６］、［v_６、v_７、v_８］及び［v_９、v_１０］に分配する。図４はβの分配結果を示している。一部の実施形態では、この分析からファクタＣ_ｉｊを直接求め、一部の実施形態では、ファクタＣ_ｉｊはβとは独立である。限定ではなく一例として、一部の実施形態では

である。一部の実施形態では、対応するファクタＣ_ｉｊをルックアップ（look up）することにより、各反復の動作を実行する。かかる実施形態では、各反復においてリンクを進む（link traversals）必要はない。

一部の実施形態では、このアルゴリズムの実行にはファクタｋが重要である。ファクタｋは、所望のウェブページを見つけるためにユーザが進んでもよいと思うリンクを示す。従って、ファクタｋはユーザの辛抱強さをモデル化したものである。一部の実施形態では、ｋ＝１の場合はＰＡＧＥＲＡＮＫの計算に戻る。従って、一部の実施形態はＰＡＧＥＲＡＮＫを包含している。

図５は、セッションベースクエリのためにノードのランク付けをするシステム１０の例を示す図である。システム１０は、端末１２とサーバ１４とを含み、これらはネットワーク１６を介して通信する。一部の実施形態では、ネットワーク１６は、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスＬＡＮ（ＷＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、インターネットの一部、その他のネットワーク１６、またはこれらの組合せである。本発明では、ネットワーク１６は任意の適切なものでよい。リンク１８は各端末１２またはサーバ１４をネットワークに結合する。一部の実施形態では、各リンク１８は有線リンク、無線リンクまたは光リンクを含む。一部の実施形態では、各リンク１８はＬＡＮ、ＷＬＡＮ、ＷＡＮ、ＭＡＮ、インターネットの一部、公衆交換電話網（ＰＳＴＮ）、アクセスネットワーク、その他のリンクまたはこれらの組合せである。本発明では、任意の適切な端末１２と任意の適切なサーバ１４を任意の適切なネットワーク１６に結合する任意の適切なリンク１８を予定している。

端末１２によりユーザはネットワーク１６を介して通信できる。限定ではなく一例として、端末１２はコンピュータシステム（ノートブックまたはデスクトップコンピュータシステム）、携帯電話（ワールド・ワイド・ウェブをブラウズする機能を含むものであってもよい）、その他の端末１２を含む。サーバ１４は、端末１２にサーバ１４の機能またはデータへのアクセスを提供する。限定ではなく一例として、サーバ１４はウェブサーバを含んでもよい。ウェブサーバは端末１２からのＨＴＴＰ（Hyper Text Transfer Protocol）リクエストを受け取り、端末１２にＨＴＴＰレスポンス及びウェブページ等の要求データを伝送する。ウェブページはＨＴＭＬ文書を含んでいてもよい。他の例として、サーバ１４はアプリケーションサーバを含んでいてもよい。本発明では、任意の適切なサーバ１４を予定している。

一部の実施形態では、システム１０の１つ以上のサーバ１４は、１つ以上のウェブ検索エンジン２０、１つ以上のランキングエンジン２２、またはその両方を含む。一部の実施形態では、バスまたはその他のワイヤにより、１つ以上のウェブ検索エンジン２０は通信のため１つ以上のランキングエンジン２２に結合している。ウェブ検索エンジン２０の例には、ＢＡＩＤＵ、グーグル、ＬＩＶＥＳＥＡＲＣＨ、ヤフー！検索などがある。本発明では、任意の適切なウェブ検索エンジン２０を予定している。さらに、本発明は任意の適切な検索エンジンを予定しているが、これは必ずしもウェブ検索エンジン２０である必要はない。一部の実施形態では、ランキングエンジン２２は、上記のように、ウェブページまたはその他のリンク可能オブジェクトをランク付けするハードウェア、ソフトウェア、または組み込みロジックコンポーネント（embedded logic component）またはこれらの２つ以上の組合せを含む。限定ではなく一例として、ランキングエンジン２２はサーバ１４のすべてのウェブページまたはその一部をランク付けし、１つ以上のウェブ検索エンジン２０はランキングエンジン２２が生成したランキングを使って、端末１２のユーザからの検索クエリに応答して検索結果を生成し、それを端末１２のユーザに返す。

一部の実施形態では、ユーザがセッションページＰから検索を開始して、そこから始まる一定数Ｎのリンクをたどるというユーザモデルを仮定してインテリジェントサーファーのモデル化を試みる。ある確率で、ユーザは検索がうまく行かず、セッションページＰに戻って別のリンク経路を進む。一部の実施形態では、ＰＡＧＥＲＡＮＫはかかるモデルの特別な場合（Ｎ＝１の場合）である。一部の実施形態では、検索結果を生成して返すために、ウェブページまたはその他の相互リンクされたオブジェクトをよりよくランク付けできる。

図６は、セッションベースクエリのためにノードのランク付けをする方法例を示す図である。Ｇ＝（Ｖ，Ｅ）はワールド・ワイド・ウェブをモデル化したグラフとする。ノードＶはウェブページを表し、ノード間をつなぐエッジはウェブページ間のウェブリンクを表す。ユーザが最初のウェブページから進み、あきらめて最初のウェブページから再び開始する連続したリンクの数をＮとする。数Ｎはユーザの我慢強さを表す。ＧとＮが与えられると、アルゴリズムにより、インテリジェントサーファーパターンをたどるユーザに対応するノードＶにわたる確率分布Ｄを求める。すなわち、インテリジェントサーファーパターンをたどるユーザは、確率分布Ｄにおいて高い確率を有するノードに行く可能性が高い。本方法はステップ１００で始まり、アルゴリズムによりＶにおいて一様な分布Ｄ_０＝Ｕを生成する。ステップ１０２において、アルゴリズムにより、最終分布Ｄに収束するまで、反復的に「よりよい」分布Ｄ_ｉを生成する。各反復ｉにおいて、アルゴリズムにより、vからＮ個のエッジ以内で到達できるすべてのノードに対して、各ノードvに確率Ｄ_ｉ（v）を分布させる。こうして分布Ｄ_ｉ＋１′を求める。一部の実施形態では、アルゴリズムにより、確率分布Ｄ_ｉをＵで重み付けして分布Ｄ_ｉ＋１を生成する。ステップ１０４において、Ｄ_ｉ＋１とＤ_ｉが互いに、例えば所定の１つ以上の基準に基づき非常に近くなるとアルゴリズムは終了する。ステップ１０６において、結果として得られた、ノードをランク付けする確率分布Ｄを伝えて、本方法が終了する。一部の実施形態では、必要に応じて、Ｎの複数の値に対してアルゴリズムを複数回実行する。かかる実施形態では、結果として得られた分布を平均するか、またはユーザが検索を実行するときに選択肢を与える。

本発明は、ここに説明した実施形態に対する、当業者が想到するだろうすべての変更、置換、変形、代替、修正を含むものである。同様に、適切な場合には、特許請求の範囲は、ここに説明した実施形態に対する、当業者が想到するだろうすべての変更、置換、変形、代替、修正を含むものである。

なお、本発明の一部の実施形態を整理すると以下の通りである。
（付記１）セッションノードと前記セッションノードにリンクされた複数のリンクされたノードとを含むノードのセットのモデルにアクセスし、前記リンクされたノードは親ノードと子ノードとを含み、親ノードは１つ以上の子ノードを前記セッションノードにリンクし、子ノードは前記子ノードを前記セッションノードにリンクする１つ以上の親ノードを有する段階と、
前記ノードのセットに対して、前記セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する確率分布を生成し、各子ノードはその親ノードの各々から前記親ノードに分配された確率の所定割合を受け取り、前記親ノードはその子ノードの各々に前記親ノードに分配された前記確率の前記所定割合を一様に分配する段階と、
前記ノードのセットのランク付けに使用するため前記確率分布を伝える段階とを有する方法。
（付記２）前記ノードはハイパーテキスト・マークアップ・ランゲージ（ＨＴＭＬ）文書である、付記１に記載の方法。
（付記３）前記所定数のリンクはユーザの我慢強さをモデル化したものである、付記１に記載の方法。
（付記４）前記所定数のリンクは２つのリンクである、付記１に記載の方法。
（付記５）前記所定割合は１／２である、付記１に記載の方法。
（付記６）前記ノードのセットのモデルはワールド・ワイド・ウェブの少なくとも一部をモデル化するグラフを含む、付記１に記載の方法。
（付記７）前記ランク付けは前記ノードのセットの検索を容易にして、ユーザからのクエリに対する応答を生成する、付記１に記載の方法。
（付記８）前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
前記確率分布を平均化する段階と、
前記ノードのセットのランク付けに使用するため平均化した前記確率分布を伝える段階とを有する、付記１に記載の方法。
（付記９）前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
ユーザにより指定された嗜好に基づき前記ノードのセットのランク付けに使用する前記複数の確率分布を伝える段階とをさらに有する、付記１に記載の方法。
（付記１０）前記ノードのセットの前記確率分布を生成する段階は、一様な確率分布から始めて確率分布を反復的に計算し、生成される前記確率分布は反復的に計算された確率分布の収束の結果得られる段階を含む、付記１に記載の方法。
（付記１１）コンピュータにより実行される、有体的媒体にエンコードされた論理であって、前記論理は実行されると、
セッションノードと前記セッションノードにリンクされた複数のリンクされたノードとを含むノードのセットのモデルにアクセスし、前記リンクされたノードは親ノードと子ノードとを含み、親ノードは１つ以上の子ノードを前記セッションノードにリンクし、子ノードは前記子ノードを前記セッションノードにリンクする１つ以上の親ノードを有する段階と、
前記ノードのセットに対して、前記セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する確率分布を生成し、各子ノードはその親ノードの各々から前記親ノードに分配された確率の所定割合を受け取り、前記親ノードはその子ノードの各々に前記親ノードに分配された前記確率の前記所定割合を一様に分配する段階と、
前記ノードのセットのランク付けに使用するため前記確率分布を伝える段階とを実行する論理。
（付記１２）前記ノードはハイパーテキスト・マークアップ・ランゲージ（ＨＴＭＬ）文書である、付記１１に記載の論理。
（付記１３）前記所定数のリンクはユーザの我慢強さをモデル化したものである、付記１１に記載の論理。
（付記１４）前記所定数のリンクは２つのリンクである、付記１１に記載の論理。
（付記１５）前記所定割合は１／２である、付記１１に記載の論理。
（付記１６）前記ノードのセットのモデルはワールド・ワイド・ウェブの少なくとも一部をモデル化するグラフを含む、付記１１に記載の論理。
（付記１７）前記ランク付けは前記ノードのセットの検索を容易にして、ユーザからのクエリに対する応答を生成する、付記１１に記載の論理。
（付記１８）実行されたとき、
前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
前記確率分布を平均化する段階と、
前記ノードのセットのランク付けに使用するため平均化した前記確率分布を伝える段階とをさらに実行する、付記１１に記載の論理。
（付記１９）実行されたとき、
前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
ユーザにより指定された嗜好に基づき前記ノードのセットのランク付けに使用する前記複数の確率分布を伝える段階とをさらに実行する、付記１１に記載の論理。
（付記２０）前記ノードのセットの前記確率分布を生成する段階は、一様な確率分布から始めて確率分布を反復的に計算し、生成される前記確率分布は反復的に計算された確率分布の収束の結果得られる段階を含む、付記１１に記載の論理。
（付記２１）セッションノードと前記セッションノードにリンクされた複数のリンクされたノードとを含むノードのセットのモデルにアクセスし、前記リンクされたノードは親ノードと子ノードとを含み、親ノードは１つ以上の子ノードを前記セッションノードにリンクし、子ノードは前記子ノードを前記セッションノードにリンクする１つ以上の親ノードを有する手段と、
前記ノードのセットに対して、前記セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する確率分布を生成し、各子ノードはその親ノードの各々から前記親ノードに分配された確率の所定割合を受け取り、前記親ノードはその子ノードの各々に前記親ノードに分配された前記確率の前記所定割合を一様に分配する手段と、
前記ノードのセットのランク付けに使用するため前記確率分布を伝える手段とを有するシステム。

ウェブページにわたるユーザの検索行動例を示す図である。ウェブページの第１のレイヤにわたる確率分布例を示す図である。図２に示したウェブページの第２のレイヤにわたる確率分布例を示す図である。図２に示したウェブページの第１のレイヤと第２のレイヤとにわたる確率分布例を示す図である。セッションベースクエリのためにノードのランク付けをするシステム例を示す図である。セッションベースクエリのためにノードのランク付けをする方法例を示す図である。

Claims

セッションノードと前記セッションノードにリンクされた複数のリンクされたノードとを含むノードのセットのモデルにアクセスし、前記リンクされたノードは親ノードと子ノードとを含み、親ノードは１つ以上の子ノードを前記セッションノードにリンクし、子ノードは前記子ノードを前記セッションノードにリンクする１つ以上の親ノードを有する段階と、
前記ノードのセットに対して、前記セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する確率分布を生成し、各子ノードはその親ノードの各々から前記親ノードに分配された確率の所定割合を受け取り、前記親ノードはその子ノードの各々に前記親ノードに分配された前記確率の前記所定割合を一様に分配する段階と、
前記ノードのセットのランク付けに使用するため前記確率分布を伝える段階とを有する方法。
前記ノードはハイパーテキスト・マークアップ・ランゲージ（ＨＴＭＬ）文書である、請求項１に記載の方法。
前記所定数のリンクはユーザの我慢強さをモデル化したものである、請求項１に記載の方法。
前記所定数のリンクは２つのリンクである、請求項１に記載の方法。
前記所定割合は１／２である、請求項１に記載の方法。
前記ノードのセットのモデルはワールド・ワイド・ウェブの少なくとも一部をモデル化するグラフを含む、請求項１に記載の方法。
前記ランク付けは前記ノードのセットの検索を容易にして、ユーザからのクエリに対する応答を生成する、請求項１に記載の方法。
前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
前記確率分布を平均化する段階と、
前記ノードのセットのランク付けに使用するため平均化した前記確率分布を伝える段階とを有する、請求項１に記載の方法。
前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
ユーザにより指定された嗜好に基づき前記ノードのセットのランク付けに使用する前記複数の確率分布を伝える段階とをさらに有する、請求項１に記載の方法。
前記ノードのセットの前記確率分布を生成する段階は、一様な確率分布から始めて確率分布を反復的に計算し、生成される前記確率分布は反復的に計算された確率分布の収束の結果得られる段階を含む、請求項１に記載の方法。
コンピュータにより実行される、有体的媒体にエンコードされた論理であって、前記論理は実行されると、
セッションノードと前記セッションノードにリンクされた複数のリンクされたノードとを含むノードのセットのモデルにアクセスし、前記リンクされたノードは親ノードと子ノードとを含み、親ノードは１つ以上の子ノードを前記セッションノードにリンクし、子ノードは前記子ノードを前記セッションノードにリンクする１つ以上の親ノードを有する段階と、
前記ノードのセットに対して、前記セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する確率分布を生成し、各子ノードはその親ノードの各々から前記親ノードに分配された確率の所定割合を受け取り、前記親ノードはその子ノードの各々に前記親ノードに分配された前記確率の前記所定割合を一様に分配する段階と、
前記ノードのセットのランク付けに使用するため前記確率分布を伝える段階とを実行する論理。
前記ノードはハイパーテキスト・マークアップ・ランゲージ（ＨＴＭＬ）文書である、請求項１１に記載の論理。
前記所定数のリンクはユーザの我慢強さをモデル化したものである、請求項１１に記載の論理。
前記所定数のリンクは２つのリンクである、請求項１１に記載の論理。
前記所定割合は１／２である、請求項１１に記載の論理。
前記ノードのセットのモデルはワールド・ワイド・ウェブの少なくとも一部をモデル化するグラフを含む、請求項１１に記載の論理。
前記ランク付けは前記ノードのセットの検索を容易にして、ユーザからのクエリに対する応答を生成する、請求項１１に記載の論理。
実行されたとき、
前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
前記確率分布を平均化する段階と、
前記ノードのセットのランク付けに使用するため平均化した前記確率分布を伝える段階とをさらに実行する、請求項１１に記載の論理。
実行されたとき、
前記セッションノードから相異なる所定リンク数内のすべてのリンクされたノードに確率を分配する、前記ノードのセットの複数の確率分布を生成する段階と、
ユーザにより指定された嗜好に基づき前記ノードのセットのランク付けに使用する前記複数の確率分布を伝える段階とをさらに実行する、請求項１１に記載の論理。
前記ノードのセットの前記確率分布を生成する段階は、一様な確率分布から始めて確率分布を反復的に計算し、生成される前記確率分布は反復的に計算された確率分布の収束の結果得られる段階を含む、請求項１１に記載の論理。
セッションノードと前記セッションノードにリンクされた複数のリンクされたノードとを含むノードのセットのモデルにアクセスし、前記リンクされたノードは親ノードと子ノードとを含み、親ノードは１つ以上の子ノードを前記セッションノードにリンクし、子ノードは前記子ノードを前記セッションノードにリンクする１つ以上の親ノードを有する手段と、
前記ノードのセットに対して、前記セッションノードから所定リンク数内のすべてのリンクされたノードに確率を分配する確率分布を生成し、各子ノードはその親ノードの各々から前記親ノードに分配された確率の所定割合を受け取り、前記親ノードはその子ノードの各々に前記親ノードに分配された前記確率の前記所定割合を一様に分配する手段と、
前記ノードのセットのランク付けに使用するため前記確率分布を伝える手段とを有するシステム。