KR20070092718A

KR20070092718A - 자동적인 질의들 분류를 통한 검색 처리

Info

Publication number: KR20070092718A
Application number: KR1020077014770A
Authority: KR
Inventors: 쉬얌 카퍼; 지그나슈 파리크; 조쉬 디파
Original assignee: 야후! 인크.
Priority date: 2004-12-06
Filing date: 2005-11-29
Publication date: 2007-09-13
Also published as: US20060122979A1; JP2008523469A; EP1828937A1; JP4994243B2; US7620628B2; KR101211800B1; HK1117243A1; CN101111837B; CN101111837A; WO2006062772A1

Abstract

찾고 있는 정보의 더욱 정밀한 이해를 제공하기 위해서 수신된 질의들을 분석하는 것을 포함해서, 검색 요청들을 사용하여 검색 결과들이 처리된다. 컨셉 네트워크가 유닛들 내의 질의들을 분석하고 또한 유닛들 사이의 여러 관계들을 정의함으로써 질의들 세트로부터 생성된다. 이러한 컨셉 네트워크로부터, 질의들은 자동적으로 카테고리들로 분류될 수 있고, 더 일반적으로는, 분류법의 하나 이상의 노드들과 연관될 수 있다. 분류는 검색 결과들 또는 사용자에 대한 그 결과들의 프리젠테이션을 변경하기 위해 사용될 수 있다. 검색 결과들 또는 프리젠테이션 변경의 예로서, 프리젠테이션은 관련된 검색 질의 항들에 대한 "제안들" 리스트를 포함할 수 있다. 다른 예들로서, 검색된 코퍼스가 카테고리에 따라 바뀔 수 있거나, 사용자에게 제공할 결과들의 정렬 또는 선택이 카테고리에 따라 바뀔 수 있다.

Description

자동적인 질의들 분류를 통한 검색 처리{SEARCH PROCESSING WITH AUTOMATIC CATEGORIZATION OF QUERIES}

본 발명은 전반적으로 네트워크 및 인터넷 검색 그리고 인터페이스 시스템들에 관한 것으로, 더 상세하게는 검색 질의들이 하나 이상의 분류법들에 따라 자동적으로 분류되고 또한 분류법들이 과거의 질의들 및/또는 그 질의들과 관련한 사용자 액션들로부터 자동으로 생성될 수 있는 기능들을 포함하는 개선된 검색 기능을 제공하는 검색 시스템들에 관한 것이다.

인터넷의 도래와, World Wide Web(web;웹)을 통해서 사용자가 이용할 수 있는 다수의 웹 페이지들 및 매체 컨텐트에 의해서, 웹으로부터 원하는 정보를 필터링하여 획득하기 위한 간소한 해결방법을 사용자에게 제공해야할 필요성이 존재한다. 검색 시스템 및 처리는 원하는 정보를 획득하고자 하는 사용자의 요구를 충족시키도록 개발되었다. 이러한 기술들의 예들은 Yahoo!, Google 및 다른 사이트들을 통해 액세스될 수 있다. 통상적으로, 사용자는 질의를 입력하고, 검색 처리는 그 질의와 연관된 하나 이상의 링크들(웹을 검색하는 경우), 문서들 및/또는 참조문헌들(상이한 검색 코퍼스의 경우)로 리턴한다. 리턴된 링크들은 밀접하게 관련되거나, 또는 사용자가 실질적으로 찾고 있는 것과 전혀 상관이 없을 수도 있다. 질의에 대한 결과들 중 "관련성"은 부분적으로는 입력된 실제 질의뿐만 아니라 사용되는 검색 시스템(수집 시스템의 기초가 됨)의 강건성(robustness)에 의존적일 수 있다. 관련성은 사용자에 의해서 주관적으로 결정될 수 있거나 또는 사용자가 찾고 있었을 수 있었던 것에 의해 객관적으로 결정될 수 있다.

사용자가 입력한 질의들은 통상적으로 하나 이상의 워드들로 이루어진다. 예컨대, "Hawaii"가 질의이며, "New York city"도 질의이며, "New York city law enforcement"도 질의이다. 그 자체로는, 질의들은 전체적으로 사람의 뇌에 남아 있지 않는다. 즉, 사람은 자연적으로 그 질의들을 통해 생각하지 않는다. 그것들은 검색 엔진들에 질의하거나 도서관 카탈로그를 찾아야 하는 필요성에 의해서 부분적으로 부여되는 인위적인 구문이다. 사람은 단순한 단일 워드들을 통해서 자연스럽게 생각하지 않는다. 사람이 생각하도록 하는 것은 자연적인 컨셉들이다. 예컨대, "Hawaii" 및 "New York city"는 여러 워드들에 의해서 측정될 때 길이에 있어서 매우 다른 질의들이지만 그것들은 하나의 중요한 특징을 공유하는데, 그것들은 각각 하나의 컨셉으로 이루어진다. 그러나, 질의 "New York city law enforcement"는 다른데, 그 이유는 그것은 "New York city"와 "law enforcement"인 두 개의 다른 컨셉들로 이루어지기 때문이다.

사람은 또한 컨셉들 간의 논리적인 관계들을 통해 생각한다. 예컨대, "law enforcement"와 "police"는 "police"가 "law enforcement"의 중요한 에이전시이기 때문에 관련된 컨셉들이고, 이러한 컨셉들 중 하나에서 타이핑한 사용자는 다른 컨셉에 관련된 사이트들에 흥미를 가질 수 있는데, 심지어 이러한 사이트들이 사용자 가 우연히 타이핑한 특정 워드나 문구를 포함하지 않을 경우에도 그러하다. 이러한 생각 패턴의 결과로, 사람들은 본래 하나 이상의 자연적인 컨셉들을 입력함으로써 질의를 할 뿐 단일 워드들로 이루어진 가변적으로 긴 시퀀스를 입력함으로써 질의를 하지 않고, 그 질의를 일반적으로 사용자가 알 수 있는 관련된 컨셉들 모두를 포함하지 않는다. 또한, 사용자 의도는 질의의 각각의 워드들에 반드시 반영되지는 않는다. 이를테면, "law enforcement"는 하나의 컨셉이고, 반면에 개별적인 워드들 "law" 및 "enforcement"는 동일한 사용자 의도를 결합된 워드들로서 개별적으로 전달하지 않는다.

검색 제공자들에 의해서 사용되는 현재의 기술들은 사람들이 그것들을 생성하는 것과 동일한 방식으로 질의들을 이해하지 않는다. 이를테면, 기존의 검색 엔진들은 일반적으로 사용자가 입력한 정확한 워드들 또는 문구들을 검색하지만 사용자가 실제로 생각하는 기초적인 자연적 컨셉이나 관련된 컨셉들을 검색하지는 않는다. 이는 아마도 검색 제공자들이 사용자의 의도를 식별하고 최적의 검색 결과들 및 컨텐트를 제공하는 것을 막는 가장 중요한 원인이다.

알 수 있는 바와 같이, 사용자가 관심을 가질 수 있는 실질적인 컨셉들 및 더 나은 사용자 경험과 더욱 일치하는 결과들을 제공하는데 있어 도움을 주는 향상된 검색 및 인터페이스 기술이 필요하다.

본 발명의 실시예는 찾고 있는 정보에 대한 더욱 정교한 이해를 제공하기 위해서 수신된 질의들을 분석하는 것을 포함하는, 검색 요청들을 처리하기 위한 시스템들 및 방법들을 제공한다. 컨셉 네트워크가 유닛들에서 질의들을 분석하고 또한 예컨대 질의들에서 함께 나타나는 유닛들의 패턴들에 근거하여 유닛들 사이의 여러 관련성들을 정함으로써 질의들 세트로부터 생성된다. 상이한 질의들 세트(예컨대 상이한 시간 기간들 또는 상이한 지리적 영역들을 나타냄)에 상응하는 다수의 상이한 컨셉 네트워크들이 생성될 수 있다. 이러한 컨셉 네트워크들로부터, 질의들은 자동적으로 카테고리에 따라 분류되거나, 또는 더 일반적으로는, 분류법의 하나 이상의 노드들과 연관될 수 있다. 상기 분류는 검색 결과들이나 또는 사용자에 대한 결과들의 프리젠테이션들을 변경하기 위해서 사용된다.

검색 결과들 또는 프리젠테이션들의 변경에 대한 예로서, 프리젠테이션들은 관련된 검색 질의 용어들에 대한 "제안들"의 리스트를 포함할 수 있다. 다른 예들로서, 검색된 코퍼스는 카테고리에 따라 변할 수 있거나, 사용자에게 제공할 결과들에 대한 순서화 또는 선택이 카테고리에 따라 변할 수 있다.

일부 실시예들에서, 분류는 한 쌍이 특정 질의를 분류법에서 특정 노드에 맵핑시키는 숙지되는 세트의 질의-노드 쌍들을 사용하여 이루어진다. 상기 숙지된 세트는 어떤 질의들이 어떤 노드들과 함께 어울리는지에 대한 수동적인 표시로부터 초기화될 수 있으며, 더 많은 검색이 수행될 때 개선될 수 있다. 한 가지 개선 방법은 예컨대 사용자가 질의에 이어서 선택한 검색 결과들의 특별한 히트(hit)와 같은 포스트-질의 클릭 동작의 카테고리에 의해 입증될 때 질의에 대한 실제 카테고리로부터 질의에 대한 카테고리 추정이 어떻게 변할 수 있는지를 식별하기 위해서 포스트-질의 클릭 동작을 추적하는 단계를 포함한다.

일부 실시예들에서는, 일부 유닛들 또는 컨셉들에 대한 카테고리들이 통보되고, 질의들이 통보 또는 비통보되거나 또는 그 질의의 다른 부분들에 대한 상이한 카테고리들에 대해 통보된 유닛들 또는 컨셉들을 포함할 수 있다. 이러한 경우들에서는, 전체적인 질의에 대한 카테고리가 질의의 부분들의 카테고리 또는 카테고리들로부터 추론될 수 있다.

첨부 도면들과 함께 아래의 상세한 설명은 본 발명의 특성 또는 장점들에 대한 더 나은 이해를 제공할 것이다.

도 1은 본 발명의 실시예에 따른 정보 검색 및 통신 시스템에 대한 간략한 고도의 블록도.

도 2는 본 발명의 실시예에 따라 매체 컨텐트를 통신하기 위한 정보 검색 및 통신 네트워크의 간략한 블록도.

도 3은 본 발명의 실시예에 따른 컨셉 네트워크의 그래픽.

도 4는 본 발명의 실시예에 따른 질의 처리 엔진에 대한 간략한 블록도.

도 5는 유닛 생성기에 대한 간략한 블록도.

도 6은 자동 질의 분류기의 실시예에 대한 블록도.

도 7은 질의 레코드 및 질의에 대한 카테고리의 표시에 따라 검색하는 검색 엔진을 포함하고 있는 정보 검색 및 통신 시스템에 대한 블록도.

도 8은 질의의 분류에 따라 질의를 하나 이상의 검색 엔진들에 보내는 질의 디렉터를 포함하는 정보 검색 및 통신 시스템에 대한 블록도.

도 9는 변경된 질의 레코드를 형성하기 위해서 질의 레코드에서 참조되는 질의의 분류에 따라 질의 레코드를 변경하는 사전처리기를 포함하고 있는 정보 검색 및 통신 시스템에 대한 블록도.

도 10은 자동 분류 시스템으로의 사용자 인터페이스에 대한 실시예를 나타내는 도면.

도 11은 검색을 입력해서 결과들을 제공하기 위한 사용자 인터페이스의 일실시예를 나타내는 도면.

Ⅰ. 개요

A. 네트워크 구현

도 1은 본 발명의 실시예에 따라 클라이언트 시스템(20)을 포함하고 있는 정보 검색 및 통신 네트워크(10)에 대한 일반적인 개요를 나타낸다. 컴퓨터 시스템(20)에서는, 클라이언트 시스템(20)이 인터넷(40)인 다른 통신 네트워크를 통해서, 예컨대 임의의 LAN(local area network)나 WAN(wide area network) 접속을 통해서 서버 시스템들(50₁ 내지 50_N) 중 임의의 수의 서버 시스템에 연결된다. 본 명세서에서 설명될 바와 같이, 클라이언트 시스템(20)은 서버 시스템들(50₁ 내지 50_N) 중 임의의 서버 시스템과 통신하도록, 예컨대 웹페이지들과 같은 웹 페이지들과 같은 매체 컨텐트 및 다른 정보를 액세스, 수신, 검색 및 디스플레이하도록 본 발명에 따라 구성된다.

도 1에 도시된 시스템의 여러 엘리먼트들은 본 명세서에서 상세히 설명될 필요가 없는 종래의 널리 공지된 엘리먼트들을 포함한다. 예컨대, 클라이언트 시스템(20)은 데스크톱 개인용 컴퓨터, 워크스테이션, 랩톱, PDA(personal digital assistant), 셀 폰, 또는 인터넷에 직접 또는 간접적으로 인터페이스할 수 있는 임의의 WAP-가능 장치나 임의의 다른 컴퓨팅 장치를 포함할 수 있다. 클라이언트 시스템(20)은 통상적으로 Microsoft's Internet Explorer^TM browser, Netscape Navigator^TM browser, Mozilla^TM browser, Opera^TM browser, 또는 셀 폰, PAD 또는 다른 무선 장치 등의 경우의 WAP-가능 브라우저와 같은 브라우징 프로그램을 실행함으로써, 클라이언트 시스템(20)의 사용자로 하여금 인터넷(40)을 통해 서버 시스템들(50₁ 내지 50_N)로부터 이용가능한 정보 및 페이지들을 액세스, 처리 및 볼 수 있게 한다. 클라이언트 시스템(20)은 또한 서버 시스템들(50₁ 내지 50_N) 또는 다른 서버들에 의해서 제공되는 페이지들, 폼들 및 다른 정보와 연계하여, 디스플레이(예컨대, 모니터 스크린, LCD 디스플레이 등) 상에 브라우저에 의해서 제공되는 그래픽 사용자 인터페이스(GUI)와 상호작용하기 위해서 키보드, 마우스, 터치스크린, 펜 등과 같은 하나 이상의 사용자 인터페이스 장치들(22)을 통상적으로 포함할 수 있다. 본 발명은 네트워크들의 특정 글로벌 인터네트워크를 나타내는 인터넷과 사용하기에 적합하다. 그러나, 상기 인터넷을 대신하거나 그에 추가하여 인트라넷, 엑스트라넷, VPN(virtual private network), 비-TCP/IP 기반 네트워크, 임의의 LAN 또는 WLAN 등과 같은 다른 네트워크들이 사용될 수 있다.

일실시예에 따르면, 클라이언트 시스템(20) 및 그것의 구성성분들 모두는 Intel Pentium^TM 프로세서, AMD Athlon^TM 프로세서 등이나 또는 다중 프로세서들과 같은 중앙 처리 유닛을 사용하는 컴퓨터 코드 실행을 포함한 애플리케이션을 사용하여 구성될 수 있는 동작자이다. 본 명세서에서 설명된 데이터 및 매체 컨텐트를 통신, 처리 및 디스플레이하도록 클라이언트 시스템(20)을 동작하고 구성하기 위한 컴퓨터 코드는 바람직하게 하드 디스크에 다운로드되어 저장되지만, 전체적인 프로그램 코드 또는 그것의 일부들은 또한 ROM 또는 RAM과 같은 널리 공지된 임의의 다른 휘발성 또는 비휘발성 메모리 매체나 장치에 저장될 수 있거나 또는 CD(compact disk) 매체, DVD(digital versatile disk) 매체, 플로피 디스크 등과 같이 프로그램 코드를 저장할 수 있는 임의의 매체에 제공될 수 있다. 또한, 전체적인 프로그램 코드나 그것의 일부들은 인터넷을 통해서 소프트웨어 소스, 예컨대 서버 시스템들(50₁ 내지 50_N) 중 하나의 서버 시스템으로부터 클라이언트 시스템(20)으로 전송되어 다운로드될 수 있거나, 또는 임의의 통신 매체 및 프로토콜들(예컨대, TCP/IP, HTTP, HTTPS, Ethernet, 또는 다른 종래의 매체 및 프로토콜들)을 사용하여 임의의 다른 네트워크 접속(예컨대, 엑스트라넷, VPN, LAN, 또는 다른 종래의 네트워크들)을 통해서 전송될 수 있다.

본 발명의 양상들을 구현하기 위한 컴퓨터 코드는 C, C++, HTML, Java, JavaScript 등의 코드나 임의의 다른 적절한 스크립팅 언어(예컨대, VBScript), 또 는 클라이언트 시스템(20)에서 실행될 수 있거나 클라이언트 시스템(20)에서 실행하도록 승인될 수 있는 임의의 다른 적절한 프로그래밍 언어일 수 있다는 것이 주지되어야 한다. 일부 실시예들에서는, 어떠한 코드도 클라이언트 시스템(20)에 다운로드되지 않고, 필요한 코드는 서버에 의해서 실행되거나, 클라이언트 시스템(20)에 이미 존재하는 코드가 실행된다.

B. 검색 시스템

도 2는 본 발명의 실시예에 따라 매체 컨텐트를 통신하기 위한 다른 정보 검색 및 통신 네트워크(110)를 도시하고 있다. 도시된 바와 같이, 네트워크(110)는 클라이언트 시스템(120), 하나 이상의 컨텐트 서버 시스템들(150), 및 검색 서버 시스템(160)을 포함한다. 네트워크(110)에서는, 클라이언트 시스템(120)이 인터넷(140)이나 다른 통신 네트워크를 통해서 서버 시스템들(150 및 160)에 통신가능하게 연결된다. 위에서 설명된 바와 같이, 클라이언트 시스템(120) 및 그것의 구성성분들은 인터넷(140)이나 다른 통신 네트워크들을 통해서 서버 시스템들(150 및 160) 및 다른 서버 시스템들과 통신하도록 구성된다.

일실시예에 따르면, 클라이언트 시스템(120) 상에서 실행하는 클라이언트 애플리케이션(모듈 125로 표시되어 있음)은 서버 시스템들(150 및 160)과 통신하고 그로부터 수신된 데이터 및 컨텐트를 처리 및 디스플레이하도록 클라이언트 시스템(120) 및 그것의 구성성분들을 제어하기 위한 명령들을 포함한다. 클라이언트 애플리케이션(125)은, 비록 클라이언트 애플리케이션 모듈(125)이 위에 설명된 바와 같이 플로피 디스크, CD, DVD 등과 같은 임의의 소프트웨어 저장 매체에 제공될 수 있을지라도, 원격 서버 시스템{예컨대, 서버 시스템들(150), 서버 시스템(160) 또는 다른 원격 서버 시스템}과 같은 소프트웨어 소스로부터 클라이언트 시스템(120)에 전송되어 다운로드될 수 있다. 예컨대, 일 양상에서, 클라이언트 애플리케이션 모듈(125)은 나중에 설명될 바와 같이 데이터를 조작하고 데이터를 여러 객체들, 프레임들 및 윈도우들에 렌더링하기 위해서 예컨대 삽입된 JavaScript 또는 Active X 제어부들과 같은 여러 제어부들을 포함하는 HTML 래퍼(wrapper) 내의 클라이언트 시스템(120)에 인터넷(140)을 통해서 제공될 수 있다.

또한, 클라이언트 애플리케이션 모듈(125)은 검색 요청들 및 검색 결과 데이터를 처리하기 위한 특수 검색 모듈(126) 및 예컨대 브라우저 윈도우들 및 다이얼로그 박스들과 같은 텍스트 및 데이터 프레임들 및 활성 윈도우들에서 데이터 및 매체 컨텐트를 렌더링하기 위한 사용자 인터페이스 모듈(127), 및 클라이언트 시스템(120)에서 실행하는 여러 애플리케이션들과 인터페이스 및 통신하기 위한 애플리케이션 인터페이스 모듈(128)과 같은 데이터 및 매체 컨텐트를 처리하기 위한 여러 소프트웨어 모듈들을 포함한다. 애플리케이션 인터페이스 모듈(128)이 바람직하게 본 발명의 양상들에 따라 인터페이스하도록 구성되는 클라이언트 시스템(120) 상에서 실행하는 여러 애플리케이션들에 대한 예들은 여러 e-메일 애플리케이션들, IM(instant messaging) 애플리케이션들, 브라우저 애플리케이션들, 문서 관리 애플리케이션들 및 다른 것들을 포함한다. 또한, 인터페이스 모듈(127)은 클라이언트 시스템(120) 또는 다른 브라우저 상에 구성되는 디폴트 브라우저와 같은 브라우저를 포함할 수 있다. 일부 실시예들에서는, 클라이언트 애플리케이션 모듈(125)이 Kapur Ⅳ에 설명된 바와 같은 범용 검색 인터페이스의 특징들을 제공한다.

일실시예에 따르면, 서버 시스템(160)은 검색 결과 데이터 및 매체 컨텐트를 클라이언트 시스템(120)에 제공하도록 구성되고, 서버 시스템(150)은 예컨대 서버 시스템(160)에 의해 제공되는 검색 결과 페이지들에서 선택된 링크들에 대해 웹 페이지들과 같은 데이터 및 매체 컨텐트를 클라이언트 시스템(120)에 제공하도록 구성된다. 아래에서 더 상세히 설명될 바와 같이, 일실시예에서 서버 시스템(160)은 예컨대 페이지들, 페이지들로의 링크들 등을 하나 이상의 인덱스들에 제공하기 위해서 여러 수집 기술들을 참조한다. 이러한 수집 기술들은 분류법과 같은 계층적인 구조 내에서 웹 페이지들을 분류하거나 분리 및 등급지정을 위한 수동 또는 반-자동 분류처리 및 인터페이스들뿐만 아니라 자동 웹 크롤러들(web crawlers), 스파이더들(spiders) 등을 포함한다. 특정 양상에서는, 서버(160)가 또한 웹 페이지들을 처리하고 등급지정하기 위한 검색 관련 알고리즘들을 통해 구성된다. 서버(160)는 또한, 질의들(queries)이 언제 제출되었는지, 누가 질의들을 제출했는지 및 제출자가 검색 결과들을 수신한 이후에 무엇을 하였는지와 같은 질의 로그 파일들의 형태로 사용자 질의 동작을 레코딩하도록 바람직하게 구성된다.

일실시예에서 검색 서버 시스템(160)은 예컨대 페이지들, 페이지들로의 링크들, 인덱스된 페이지들의 컨텐트를 나타내는 데이터 등이 제공되는 여러 페이지 인덱스들(170)을 참조한다. 페이지 인덱스들은 자동 웹 크롤러들, 스파이더들 등을 포함하는 여러 수집 기술들뿐만 아니라 계층적인 구조 내에서 웹 페이지들을 분류하거나 분리하고 등급지정하기 위한 수동 또는 반-자동 분류 처리들 및 인터페이스 들에 의해서 생성될 수 있다. 이러한 기술들은 검색 서버 시스템(160)이나 또는, 페이지 인덱스(170)를 생성하고 그것이 검색 서버 시스템(160)에서 이용가능하게 하는 별도의 시스템(미도시)에서 구현될 수 있다.

페이지 인덱스(170) 내의 엔트리(162)는 검색 용어, 그 용어가 나타내는 페이지로의 링크(또는 다른 인코딩된 식별자), 및 페이지에 대한 컨텍스트 식별자를 포함한다. 검색 결과들을 획득하기 위한 검색 서버 시스템의 동작에 대한 추가적인 세부사항들이 Kapur Ⅳ에 제공되어 있다.

본 명세서에서 설명되는 검색 시스템이 도시되어 있고 변형들 및 변경들이 이루어질 수 있다는 것을 알 것이다. 컨텐트 서버 및 검색 서버 시스템은 예컨대 Yahoo! Inc.에 의해서 사용자들에게 제공되는 것과 같은 분산 서버 시스템과 같은 단일 기구의 일부일 수 있거나, 그것들은 본질적으로 다른 기구들의 일부일 수 있다. 각각의 서버 시스템은 일반적으로 적어도 하나의 서버 및 연관된 데이터베이스 시스템을 포함하며, 다중 서버들 및 연관된 데이터베이스 시스템들을 포함할 수 있고, 비록 단일 블록으로 도시되어 있지만, 지리학적으로 분산될 수 있다. 예컨대, 검색 서버 시스템의 모든 서버들은 서로 간에 매우 근접하게 위치될 수 있거나(예컨대 단일 빌딩 또는 캠퍼스 내에 위치한 서브팜에), 그것들은 서로 멀리 떨어진 지점들에 분산될 수 있다(예컨대, 도시 A에 위치한 하나 이상의 서버들 및 도시 B에 위치한 하나 이상의 서버들). 따라서, 본 명세서에서 사용되는 바와 같이, "서버 시스템"은 통상적으로 국부적으로나 또는 하나 이상의 지리적인 위치들에 분산된 하나 이상의 논리 및/또는 물리적으로 연결된 서버들을 포함하는데, "서버" 및 "서버 시스템"이란 용어는 서버 바뀌어서 사용될 수 있다.

검색 서버 시스템은 페이지 인덱스(들)를 액세스하고 클라이언트 시스템들로부터 수신되는 검색 질의들에 응답하여 사용자들에게 검색 결과들을 제공하기 위한 하나 이상의 페이지 인덱스들 및 알고리즘들을 통해 구성될 수 있다. 검색 서버 시스템은 페이지 인덱스들 자체를 생성할 수 있거나, 다른 소스(예컨대, 별도의 서버 시스템)로부터 페이지 인덱스들을 수신할 수 있거나, 다른 소스로부터 페이지 인덱스들을 수신할 수 있으며, 그것의 추가적인 처리(예컨대, 컨텍스트 식별자들의 추가 또는 업데이팅)를 수행할 수 있다.

본 발명의 바람직한 양상들에서는, 질의들을 처리하고 질의들을 구성 유닛들로 분해하기 위해서 질의 처리 엔진이 제공된다. 본 발명의 질의 처리 엔진은 시스템으로 하여금 컨셉 발견 및 분석 처리들뿐만 아니라 컨텍스트 분석, 모호성해소(disambiguation), 및 검색 질의에 대한 응답으로 사용자에게 리턴된 결과들의 품질을 개선시킬 많은 다른 처리들을 구현할 수 있도록 한다. 본 발명에 따른 질의 처리 엔진은 예컨대 본 명세서에 설명된 바와 같은 여러 질의 처리 및 분석 알고리즘들 및 처리들을 실행하는 컴퓨터와 같이 네트워크에 연결되는 독립형 장치나 시스템에 구현될 수 있거나, 또는 서버 시스템(160) 또는 다른 서버 시스템과 같은 검색 서버의 일부분으로서 포함될 수 있다.

C. 컨셉 네트워크들

일부 실시예들에서는, 질의 내의 컨셉들이 통보된 컨셉들 리스트(또는 "유닛들")를 포함하는 유닛 딕셔너리(172)를 참조함으로써 유리하게 검출된다. 유닛 딕 셔너리(172)는 이전 질의들 중 일부 개수의 질의들(바람직하게는 적어도 수백만 개와 같은 매우 많은 수)에 기초하여 컨셉 발견 처리에 의해 유리하게 생성된다. 컨셉 발견은 컨셉 네트워크를 생성하기 위해서 질의들에 대한 분석을 수반하며, 검색 서버(160)에 의해서나 또는 다른 서버(미도시)에 의해서 수행될 수 있다.

도 3은 질의 처리 엔진을 포함하는 시스템을 나타낸다. 도시된 엔진(300)은 인터넷을 통해서나 또는 LAN, WAN, 직접 링크들, 분산 매체들(예컨대, CD, DVD, 플로피) 등과 같은 다양한 네트워크 접속들을 통해서 여러 소스들로부터 질의 로그 파일들(또는 실질적인 질의들)을 수신한다. 질의 로그 파일들(질의 로그들)은 상호정보와 같은 정보 이론 또는 컨셉들에서 사용될 수 있는 것과 같은 통계적인 방법들을 사용하여 질의 엔진(300)에 의해 처리된다. 바람직한 양상들에서는, 비록 예컨대 시간(hours), 주(weeks) 등과 같은 상이한 시간 기간들에 대한 로그들이 필요시 사용될 수 있지만, 다이어리 질의 로그들(daily query logs)이 사용된다. 질의 로그들은 통상적으로 사용자들에 의해 제출되는 실질적인 질의들과 일부 경우에는 질의하는 사용자들의 지리적인 위치, 타임스탬프들, 클라이언트 시스템들의 IP 주소들, 쿠키들(cookies), 클라이언트 타입(예컨대, 브라우저 타입) 등과 같은 추가적인 유용 정보를 포함한다. 질의 처리 엔진(300)은 여러 질의 로그들을 처리하여 그로부터 유닛들을 생성한다. 유닛들, 및 발생 빈도와 같은 연관된 통계치들이 메모리나 데이터베이스 파일(310)에 저장된다.

유닛들을 생성하기 위해 질의들 및 질의 로그를 처리하고 또한 유닛들에 기초하여 제안들을 생성하기 위한 방법들을 포함하는 질의 처리 엔진의 양상들에 대 한 예들이 Kapur Ⅱ에 개시되어 있다. 서버(160)는 시스템(180)으로부터 수신된 유닛들 및 임의의 통계치들을 처리하며, 제안들 및 다른 정보와 함께 사용자들의 질의에 대한 결과들을 사용자에게 리턴한다. 특정 양상들에서는, 제안들은 검색 시스템과 계속해서 대화하는 사용자들을 수반하는 방식이다. 제안들은 사용자가 유닛들 및 그 유닛들의 확장들 및 연관성들에서 포착될 때 사용자 요구들의 매우 정교한 이해에 기초하여 그 다음으로 조사하길 원할 수 있는 것에 대한 힌트들 및 조언들이다.

한 양상에서, 유닛 딕셔너리(310)는 실질적인 검색 결과들에 추가하여 또는 이를 대신하여 사용자에게 제공할 제안들을 생성하는데 유리하게 사용된다. 예컨대, 검색 서버(160) 또는 다른 검색 인텔리전스가 유닛 딕셔너리를 제어하는 도 4의 서버(180)와 같은 특수 서버에 질의를 전송할 수 있거나, 유닛 딕셔너리의 인스턴스가 검색 서버(160)에 저장될 수 있다. 예컨대 유닛들을 생성하기 위한 위의 의사-코드(pseudo-code)에서 정해지는 확장들 및 연관성들을 사용하여 일실시예에 따른 제안들을 생성하기 위한 방법의 예가 Kapur Ⅱ에서 찾아볼 수 있다.

바람직한 양상들에서, 서버들(150)과 같은 가입 중인 회사들의 서버들에서 동작하도록 구성되는 처리는 서버(160)와 통신하기 위한 가입 중인 회사들에 제공된다(예컨대, 컴퓨터 판독가능 매체 상의 코드이거나 또는 네트워크 접속을 통해 전송됨). 이러한 처리는 개별적인 검색들의 결과로서나 또는 인덱스에 의해 참조되는 페이지들 및 성과물들을 식별하는 서버(160)로부터의 질의들에 대한 응답으로 원하는 정보를 제공하는 백그라운드에서 바람직하게 항상 실행된다. 상호정보 업 데이팅이 또한 구현될 수 있는데, 여기서는 회사에서의 동작자가 특정 시간들에 또는 서버(160)로부터의 요청이 있을 때 원하는 정보를 제공한다.

유닛들 및 클러스터링

도 5는 유닛 생성기에 대한 간략한 블록도이다. 도 5에 도시된 바와 같이, 유닛 파서(units parser)(500)는 질의 스트링(또는 질의 스트링을 포함하는 질의 레코드 및 그 질의에 부속된 다른 데이터 및 메타데이터)을 입력으로서 받아들이고, 컨셉 네트워크(502)에 컨설팅하며, 질의 스트링이 보내지는 컨셉들을 나타낸 하나 이상의 유닛들을 출력한다. 유닛 생성기의 동작에 대한 추가적인 세부사항들이 Kapur Ⅱ에 개시되어 있다. 그 유닛들은 검색들을 형성하고, 관련된 검색들에 대한 제안들을 생성하고, 로깅하는 등의 여러 다른 목적으로 사용될 수 있다.

유닛들에 대한 한 용도는 질의들을 통해 사용되는 정해진 용어 그룹들을 정하기 위해서 사용자 질의들을 클러스터하는데 사용된다. 예로서, 유닛들은 만약 "유사한" 연관된 워드들을 갖는다면 클러스터될 수 있다. 예컨대, 워드들 "lyrics", "mp3", "guitar tabs", "discography" 등은 특정 기타리스트의 이름을 갖는 큰 질의 세트에 공존할 수 있다. 사용자들이 어떤 다른 가수에 대한 질의를 할 경우에 비슷한 워드들이 사용자들에 의해서 사용될 것이다. 이는 검색 시스템으로 하여금 높은 정확성을 가지고 연관된 워드들에 기초하여 클러스터들을 형성할 수 있게 한다.

유사성이 몇 가지 방식들로 정해질 수 있다. 한 해결방법에서는, 두 유닛들 사이의 유사성이 그 유닛들을 갖는 워드들의 오버랩 범위에 기초한다. 따라서, 오 버랩 범위를 측정하기 위해서 다양한 알고리즘들이 사용될 수도 있다.

예컨대, 두 유닛들 간의 오버랩(상기 유닛들 각각은 그와 연관되면서 질의들의 수집으로부터 결정되는 워드들을 가짐)이 다음의 팩터들 중 하나 이상을 고려함으로써 측정될 수 있다:

a) 두 유닛들에서 발견될 수 있는 연관된 워드들의 수;

b) 연관된 워드들의 발생 빈도 및 연관된 워드들의 수;

c) 유닛들과 연관된 제안들 리스트에서 연관된 워드들의 등급 차이(빈도에 의해서 분류됨)에 따라 디스카운트된 어느 정도의 매치들을 갖는 연관된 워드들의 수;

d) 연관된 워드들의 상대한 빈도에 있어서의 차이에 따라 디스카운트된 어느 정도의 매치들을 갖는 연관된 워드들의 수;

e) 연관된 워드들이 다른 유닛들과 공존하는 총 횟수에 비교해서, 유닛들 중 어느 하나를 통해 연관된 워드가 발생하는 횟수에 의해 측정되는 연관된 워드들의 적절성.

일부 실험적인 테스트들에서는, 팩터들 a) 및 e)가 양호한 결과들을 생성한다. 추가적인 클러스터 처리가 컨텍스트-기반 클러스터링을 포함할 수 있다. 예컨대 표 1에 도시된 바와 같은 값들을 갖는 유닛 "sony"에 대한 클러스터를 고려하자.

표 1

베이스 유닛 유사성 유사성 신뢰도

sony: Panasonic 45.49

Toshiba 30.61

Sharp 30.40

Philips 29.75

JVC 29.35

Samsung 28.46

Pioneer 26.26

Compaq 24.04

Dell 23.15

LG 22.11

Mobile 21.75

RCA 21.72

Reviews 21.68

Mitsubishi 20.25

Wireless 20.18

HP 20.15

tv 20.12

Hitachi 20.05

pc 20.02

Digital 19.32

질의의 "sony"는 종종 많은 타입의 전자 제품들 중 하나와 관련되고, 따라서 만약 질의가 실질적으로 컴퓨터들/데스크톱들/랩톱들과 관련된다면, 시스템은 이를테면 일부 다른 회사와 관련해서 "sony"를 사용하는 결과들을 정련/재정렬할 수 있다. 예컨대, "compaq"와 관련해서, 표 1의 결과들이 표 2의 결과들로 변한다.

표 2

베이스 유닛 유사성 유사성 신뢰도

Sony,compaq: Dell 17.86

Toshiba 17.84

Hp 15.60

IBM 13.72

Panasonic 13.68

Sharp 12.82

Samsung 12.81

laptop 11.91

Canon 11.78

NEC 11.73

Gateway 10.84

computer 10.82

tv 10.68

Mac 10.55

mobile phone 9.97

Mitsubishi 9.92

Motorola 9.76

ASUS 9.75

LG 9.72

mobile 9.69

이러한 컨텍스트-기반 클러스터링의 경우에, 한 해결방법은 정해진 유닛들의 연관된 워드들의 인터섹션을 사용하며 위에 목록화된 팩터들(a-e) 중 하나 이상에 제공되는 의사-유닛을 만드는 것이다. 클러스터링의 다른 예들 및 설명이 Kapur Ⅲ에 제시되어 있다.

유닛-클러스터들을 사용한 키워드 분류

키워드 분류가 수동적으로 이루어질 수 있다. 이러한 해결방법을 통해서는, 사용자 질의들은 편집자들에 의해서 카테고리에 따라 수동적으로 분류되거나 분리된다. 편집자들은 질의를 적절히 분류하기 위해서 그 질의에 대해 철저히 인지할 필요가 있다. 수동적인 분류가 항상 모순이 없는 것은 아니며, 매우 주관적일 수 있다. 이러한 문제들을 회피하기 위해서, 검색 지원 시스템이 편집자들이 정확한 카테고리들을 쉽고 모순이 없이 선택하는 것을 도울 수 있다. 검색 지원 시스템은 또한 수동적으로 분류되지 않는 질의들을 처리하기 위해서 자동적인 분류를 필요로 할 수 있다.

본 명세서에서 설명된 하나의 해결방법에서는, 시스템이 분류된 질의들 세트 에 아직 존재하지 않는 질의를 수신하였을 때, 비분류된 질의가 유닛들로 분할된다. 만약 이러한 유닛들이 분류된다면, 이러한 카테고리들이 비분류된 질의를 분리하기 위해서 사용될 수 있다.

비분류된 질의가 자체적으로 유닛이고 분할될 수 없는 경우에는, 본 명세서에서 설명된 것과 같은 클러스터링 처리가 유사한 유닛들 및 그들의 카테고리들을 찾기 위해서 적용될 수 있다. 예컨대, 만약 정해진 비분류된 워드가 분류되지 않은 텔레비전의 브랜드 이름이지만 클러스터링이 그것을 다른 텔레비전 브랜드들과 유사한 것으로서 식별한다면, 그 유닛은 분류될 수 있다. 이러한 분류는 팩터들 중 하나일 수 있는 고유의 유사성 측정을 통해 이루어지는 K-Nearest Neighbor 분류일 수 있다.

이러한 해결방법은 또한 잘못된 철자 및 변형(variant)을 분류하는 것을 도울 수 있는데, 그 이유는 모든 그러한 변형들에 대한 연관된 워드들이 유사한 것으로 진행되고 따라서 그것들은 정확한 철자와 동일한 클러스터에 포함될 것이기 때문이다.

자동적인 질의 분류기

도 6은 질의가 연관될 분류법에서 하나 이상의 노드들을 결정하기 위해 유닛 생성기에 의해 결정되는 유닛들을 사용할 수 있는 자동적인 질의 분류기에 대한 실시예를 나타내는 블록도이다. 도 6에 도시된 바와 같이, 분류기(600)는 질의를 입력으로서, 어쩌면 질의 레코드로서 수신하며, 질의-노드 쌍들의 세트에 컨설팅한다. 일부 경우들에서는, 분류기(600)가 어떤 다른 소스로부터 검색 시스템에 제공 되거나 수동적으로 생성되는 이니셜 세트(initial set)(602)를 컨설팅한다. 예컨대, 이니셜 세트(602)는 검색 질의가 연관되는 분류법 노드(카테고리를 나타냄) 및 수백 개의 검색 질의들을 포함할 수 있다. 따라서, 만약 사용자가 이니셜 세트 내의 질의와 일치하는 질의를 제출한다면, 그 질의는 간단한 방식으로 상기 쌍에 대해 목록화된 노드로 분류될 수 있다. 그러나, 수백만 개의 상이한 질의들이 가능한 시스템들에서 대부분의 질의들일 수 있는, 이니셜 세트 내의 질의와 일치하지 않는 질의들에 대해서는, 다른 해결방법이 필요하다.

러닝된 세트(learned set)(604)는 어쩌면 가중치들과 같은 질의-노드 쌍들에 대한 메타데이터를 또한 포함할 수 있는 질의-노드 쌍들의 레코드들을 포함하는데, 여기서 러닝된 세트(604)에는 이니셜 세트가 제공되고, 이어서 검색 시스템에 질의들이 제출되고 카테고리들이 포스트-질의 클릭 동작과 같은 외부 이벤트들에 의해서 지시될 때 조정된다. 일실시예에서는, 도시된 바와 같이, 포스트-질의 분석기(610)가 그 질의(또는 질의 레코드), 그 질의와 연관된 포스트-질의 동작(사용자가 그 질의에 대해 제공된 검색 질의들로부터 선택한 페이지 또는 페이지들의 표시와 같은), 및 분류기(600)에 의해서 결정되는 질의의 카테고리(들)에 대한 추정을 입력으로서 수신한다. 이러한 입력들로부터, 포스트-질의 분석기(610)는 러닝된 세트(604)에 대한 업데이트들을 계산한다.

어떤 실시예들에서는, 포스트-질의 분석기(610)가 신경망을 위한 피드백 루프로서 동작한다. 이러한 방식에서, 러닝된 세트는 분류기(600)가 질의가 연관되어야 하는 카테고리 또는 카테고리들의 추정을 향상시킬 수 있도록 향상된다. 다 른 실시예들에서는, 포스트-질의 분석기(610)가 카테고리들의 추정을 향상시키기 위해서 다른 러닝 시스템을 사용한다.

일단 분류법에 따른 하나 이상의 노드들로의 질의의 분류가 통보되면, 그 정보는 검색 처리를 변경하기 위해 사용될 수 있다.

분류된 질의들을 사용하는 검색 엔진

도 7은 질의에 대한 카테고리의 표시 및 질의 레코드에 따라 검색하는 검색 엔진을 포함하고 있는 정보 검색 및 통신 시스템에 대한 블록도이다. 도 7에 도시된 바와 같이, 검색 엔진(700)은 질의(또는 질의 레코드) 및 상기 질의가 연관되는 카테고리(어쩌면 추정)를 입력으로서 수신하고, 그에 따른 검색 결과들을 출력한다.

질의(또는 질의 레코드) 및 카테고리는 또한 질의의 카테고리 또는 카테고리들에 따라 사용될 관련된 검색 질의들과 같은 제안들을 생성하는 제안 엔진(702)에 입력된다. 예컨대, 만약 질의가 "find New York hotels"이라면, 연관된 카테고리들은 "Location/USA/New York State/New York City" 및 "travel/accommodation/hotels"일 수 있다. 이러한 카테고리들로부터, 제안 엔진은 "New York loadings", "New York travel", "weather in New York"과 같은 관련된 검색들을 제안할 수 있는데, 그것들이 본래 검색 질의에 대해 동일하거나 근접한 노드들인 노드들과 연관된 검색들이기 때문이다.

도 8은 다른 방식으로 검색 처리를 변경할 목적으로 질의의 카테고리에 따라 하나 이상의 검색 엔진들에 질의를 보내는 질의 디렉터를 포함하고 있는 정보 검색 및 통신 시스템을 나타내는 블록도이다. 도 8에 도시된 바와 같이, 디멀티플렉서(800)에 입력되는 카테고리에 기초하여 하나 이상의 가능한 검색 엔진들(802)에 질의 레코드를 보내는 상기 디멀티플렉서(800)에 질의 레코드가 제공된다. 예컨대, 만약 질의에 대한 카테고리가 "health/drug information"이라면, 그 질의는 약품 검색 엔진에 보내질 수 있다. 비록 단지 두 개의 검색 엔진들만이 도시되어 있지만, 둘 보다 많은 수의 검색 엔진들이 수반될 수 있다는 것이 본 명세서로부터 자명해야 한다. 질의가 하나 이상의 검색 엔진에 제공될 때, 믹서(804)는 검색 엔진 각각으로부터의 결과들을 결합하여 글로벌한 결과들을 형성할 수 있다. 일부 경우들에서는, 믹서(804)가 결과들을 위치지정하는데 있어 각각의 검색 엔진에 대한 가중치들을 고려할 수 있다.

도 9는 다른 변형을 포함하는 정보 검색 및 통신 시스템에 대한 블록도인데, 여기서는 사전프로세서가 변경된 질의 레코드를 형성하기 위해서 질의 레코드 내에서 참조되는 질의의 분류에 따라 질의 레코드를 변경하고, 그 변경된 질의 레코드는 검색 엔진에 제출된다. 특히, 사전프로세서(900)는 질의 레코드를 통해 제공되는 질의에 대한 추정된 카테고리의 질의 레코드를 자신의 입력으로서 갖는다. 사전프로세서(900)는 변경된 질의 레코드를 출력하고, 이어서 상기 질의 레코드는 검색 엔진(902)에 제출되며, 그 검색 엔진으로부터 결과들이 획득된다. 바람직하게는, 질의에 대해 수행된 변경들은 질의 스트링에 워드들을 추가하거나 변경하거나 삭제함으로써 또는 검색 엔진(902)의 동작을 유도하기 위해 메타데이터를 포함함으로써 카테고리의 정보 컨텐트를 구현한다.

도 10은 자동분류 시스템에 대한 사용자 인터페이스(1000)의 일실시예를 나타낸다. 이러한 사용자 인터페이스를 사용함으로써, 키워드 또는 키워드 세트(질의로서 사용될 수도 있음)는 폼 필드(form field)(1002)에 입력될 수 있고, 자동분류 시스템은 키워드 또는 키워드들에 대한 본래의 카테고리, 새로운 카테고리, 및 새로운 가능한 카테고리들 각각에 대한 신뢰도 값을 나타내는 표(1004)를 리턴한다.

도 11은 검색을 입력하고 결과를 제공하기 위한 사용자 인터페이스(1100)의 일실시예를 나타낸다. 본 예에서, 검색은 "quotes"이고, 검색 엔진은 검색을 위한 카테고리들의 표시뿐만 아니라 관련된 검색들을 제공하는데, 여기서 관련된 검색들의 리스트가 입력된 검색에 대한 분류 정보를 이용하여 유도될 수 있다. 카테고리 리스트 및 관련된 검색 리스트 이외에도, 결과들은 또한 분류 정보를 이용하여 유도될 수도 있는 검색 결과들을 포함한다.

다른 예들

자동분류를 위한 시스템의 일예에서는 자신의 "시드 세트(seed set)"로서 다른 목적으로 다른 시스템으로부터의 수동적인 분류를 사용할 수 있다. 예컨대, 수백만 질의들의 질의 로그가 종종 비교적 적은 수의 매우 공통적인 질의들 및 긴 테일(tail)의 적은 공통 질의들을 갖는다. 만약 테스트가 발생 빈도라면, 임계 횟수(100번/하루, 200번/하루 등)보다 많은 것으로 나타나는 질의들은 시드 세트를 제공하기 위해서 수동적인 분류를 보장할 수도 있다. 이러한 방식에서는 "most searched" 워드들이 쉽게 분류되고, 긴 테일의 워드들{보다 적은 히트들(hits)을 통해)이 자동으로 분류된다. 검색 워드 분류를 자동화함으로써, 상당히 더 많은 키워드들이 분류될 수 있고, 다른 목적을 위한 더 나은 검색들 및 유용 데이터 세트를 제공한다.

키워드 분류는 다양한 리서치 및 분석 프로그램들에 의해 사용될 수 있고, 따라서 분류의 정확성이 매우 중요하다. 시드 세트에 의존하는 자동-분류 처리는 매우 잘 이루어질 수 있지만 불량 입력들을 갖는 경우에는 실패하기 때문에, 시드 세트를 생성하기 위해 사용되는 수동 분류의 품질이 또한 중요하다.

단일 워드로 이루어진 질의들은, 만약 단지 다중-워드 질의들에 워드들의 더 많은 결합이 존재하는 경우에는, 다중 워드들로 이루어진 질의들보다 더 자주 나타날 것으로 기대될 수 있다. "rock concert"와 같이 어느 정도 다중-워드의 단일-컨셉 질의들이 존재하지만, 많은 실사회 시스템들에서 대부분의 질의들은 하나보다 많은 수의 컨셉으로 이루어진다. 예컨대 "hotels in New York"은 두 개의 컨셉들, 즉 "hotels"(또는 "hotels in") 및 "New York"(질의는 비록 "new" 또는 "York" 워드들이 존재할 지라도 그 워드들과 전혀 관계가 없다는 것을 주시하자)를 갖는다. 다중-컨셉 결합들은 단일 워드들보다 훨씬 더 많기 때문에, 임의의 정해진 워드 질의가 임의의 정해진 다중-컨셉 질의보다 더 자주 발생할 것으로 기재될 수 있다. 그러므로, 만약 수동적인 분류가 가중 빈번한 질의들에 대해 이루어진다면, 비분류된 질의들의 총 수 및 고유의 비분류된 질의들의 수는 다중-컨셉 질의들을 지지하기 쉽다. 예컨대, "sports"는 "hotels in New York", "hotels in Bosten" 등 보다 더 자주 검색 시스템에서 질의로서 나타날 수 있다. 그 결과, 자동-분류 시스템은 만약 스터디 데이터 세트(sturdy data set)를 제공하려 한다면 다중-컨셉 질의들을 정확히 분류함으로써 처리해야 한다.

한 가지 분류 해결방법은 가장 긴 컨셉을 식별하거나(사용되는 워드들의 수를 통해), 또는 타이(tie) 및 라벨의 경우에 상기 가장 긴 컨셉 중 하나를 완벽한 질의에 대한 "도미넌트" 컨셉인 것으로 식별하는 것이다. 위의 예에서는, "hotels"이 도미넌트 컨셉일 것이다. 다음으로, 도미넌트 컨셉은 완벽한 질의를 분류하는데 사용될 것이다. 일실시예에서, 완벽한 질의의 카테고리는 도미넌트 컨셉의 카테고리로 설정된다.

most-searched-concept 및 일부 다른 규칙들과 같은 다양한 휴리스틱스(heuristics)가 가장 도미넌트한 컨셉을 결정하기 위해서 사용될 수 있다. 물론, 분류된 자신들의 컨셉들 중 아무것도 갖지 않는 완전히 새로운 질의들은 상이한 방식으로 이루어질 것이지만, 위의 해결방법이 모든 질의들의 대부분을 자동으로 포착할 수 있다.

더욱 나은 분류 속도들이 필요할 경우에는, 다수의 해결방법들이 기본적인 자동분류에 추가될 수도 있다. 예컨대, 규칙 세트가 시드 세트에 적용될 수도 있다.

규칙에 대한 예로서, 질의 "hotels in London"은 질의 내의 도미넌트 워드(이 경우에는 "hotels")에 기초하여 "travel & transportation/hotels and lodging" 하에서 자동-분류될 수 있다. 조정 규칙은 "Pick up the categories of both parts of the query if one concept belonged to 'travel & transportation/hotels & lodging' and the other concept belonged to an international world category"일 수 있다. 이러한 규칙이 적용된 이후에는, 질의 "hotels in London"은 예컨대 "travel & transportation/hotels & lodging", "International World/International Europe/International UKIE/London, Travel & transportation/Non US" 하에서 분류될 것이다. 이 경우, 분류는 모든 컨셉들이 고려되었다는 점에서 완벽할 것이다.

예시적인 규칙들 세트가 이제 설명될 것이다. 이러한 "추가" 규칙들 이외에, "삭제 규칙들"이 적절하지 않은 카테고리 할당들을 삭제하는데 있어 도움을 주기 위해 또한 사용될 수 있다. 이러한 규칙들 중 일부는 그 규칙에 의해서 사용되는 카테고리 쌍들의 리스트에 따라 동작한다.

1. 결합 규칙들:

결합 규칙들을 통해서, 관련성 표가 고려된다. 만약 정해진 질의의 도미넌트 워드/워드들 그룹이 관련성 쌍에서 두 카테고리들 중 하나에 속하고 그 질의의 다른 워드들이 관련성 쌍의 다른 카테고리에 속한다면, 양 카테고리들은 질의를 분류할 때 포함된다. 관련성 쌍에 대한 예들은 다음과 같다:

(Entertainment/Music, Internet/MPS)

(Holidays and Observances, Online Greetings)

일예에서, 질의 "valentines day e cards"는 자신의 도미넌트 컨셉으로서 "e cards"를 가질 수 있고, 따라서 그 도미넌트 질의 분류가 카테고리 "Online Greetings"에 그 질의를 놓을 것이다. 그러나, 결합 규칙을 통해서는, 그것은 카 테고리 "Holidays and Observances/Valentine's day"(철자 오류는 컨셉 네트워크를 통해 처리될 수 있다)를 또한 포함할 것이다. 이러한 두 개의 카테고리들을 통해서, 그 질의에 대한 자동분류가 완료된다.

2. 카테고리 연결 규칙들

만약 도미넌트 워드 또는 워드들 그룹이 카테고리 연결 쌍의 제 1 카테고리에 속한다면, 그 카테고리 연결 쌍의 제 2 카테고리가 질의를 자동-분류하는 동안에 포함된다. 이러한 규칙은 시드 세트에서의 수동적인 분류가 질의들의 예들을 포함하지 않을 때 도움을 주는데, 그 예들에서는 도미넌트 워드 또는 워드들 그룹이 제 2 카테고리를 포함한다. 카테고리 연결 쌍들에 대한 예는 다음과 같다:

(Luxury Goods/Apparel/Mens,Apparel/Mens)

(Luxury Goods/Apparel/Womens,Apparel/Womens)

예컨대, 카테고리 "Services/Email/BrandX"가 수동적인 분류가 이루어졌을 때는 존재하지 않기 때문에, "BrandX.com"가 질의이고 "BrandX"가 카테고리 "Online Community/Email"로 수동적으로 분류되었다고 가정하자. 분류 연결 규칙을 통해서, "BrandX.com"의 분류가 완료된다.

3. 도미넌트 카테고리들

만약 질의가 별개의 카테고리들에 속하는 두 워드들 또는 워드들 그룹을 포함한다면, 양 카테고리들은 도미넌트 카테고리들 쌍에서 나타나고, 그 쌍의 제 2 카테고리는 도미넌트 카테고리이며, 그 쌍의 제 1 카테고리를 제 2 카테고리를 통해 도미넌트 카테고리로 만들며, 질의를 자동-분류할 때 제 2 카테고리를 제외한 다. 도미넌트 카테고리 쌍들에 대한 예들은 다음과 같다:

(Toys/Games,Travel and Transportation/Maps)

(Online Community/Games,Travel and Transportation/Maps)

(Sports,Education/College and University)

본 예에서, 질의 "college football"은 도미넌트 컨셉인 "college"를 통해 정상적으로 분석될 것이고, 따라서 카테고리 "Education/College and University"에 할당된다. 비록 컨셉 "football"이 "Sports" 하에서 분류될 것이지만, 그것은 도미넌트 컨셉이 아니다. 그러나, 추가된 도미넌트 카테고리들 규칙을 통해서는, 도미넌트 카테고리들 쌍(Sports, Education/College and University)이 존재하기 때문에, 질의가 "Sports"에 관한 질의로서 분류된다. 도미넌트 카테고리들 규칙은 두 개의 컨셉들이 존재할 수 있고 하나가 도미넌트인 경우에 유용하지만, 특정 카테고리들 쌍들에 속하는 일부 컨셉들 쌍들의 경우에는, 도미넌트이어야 하는 카테고리가 비도미넌트 컨셉에 관련된 카테고리이다.

4. 대체 워드들 규칙들(Replace Words Rules)

특수 목적을 위해 사용되는 특정 카테고리들이 존재한다. 대체 워드 규칙이 또한 쌍들의 표에서 동작한다. 만약 도미넌트 컨셉이 그 쌍의 제 1 카테고리를 통해 식별되는 특정 카테고리에 속한다면, 도미넌트 컨셉에 상응하는 워드들이 그 쌍의 제 2 아이템의 워드들로 대체된다.

5. 대체 단일 카테고리 규칙들

대체 단일 카테고리 규칙이 카테고리들을 대체하기 위해서 쌍들의 표에 따라 동작할 것이다. 만약 도미넌트 컨셉이 그 쌍의 제 1 카테고리를 통해 식별되는 특정 카테고리에 속한다면, 제 1 카테고리가 그 쌍의 제 2 카테고리로 대체된다. 예컨대, 질의 "tennessee rivals online"의 경우에는, 컨셉 "tennessee rivals"이 "Custom Fusion/College Football"인 카테고리를 가질 것이고, 새로운 질의를 자동-분류하는 동안에 그 카테고리가 "Sports/Football" 카테고리로 대체된다. 이러한 규칙을 위해 쌍들의 표에 있는 엔트리들의 예들이 여기서 제공된다:

(Custom Fusion/College Football,Sport/Football)

(Custom Fusion/Bob Dylan,Entertainment/Music/Rock)

(Custom Fusion/Buzz/Personals,Sex and Romance/Personals)

6. 정련 규칙들(Refine Rules)

정련 규칙을 통해서는, 만약 제 1 레벨의 자동분류 이후에 질의가 정련 규칙 표에 리스트된 트리플들(triples) 중 하나의 제 1의 두 카테고리들인 두 개의 카테고리들을 갖는다면, 제 2 카테고리를 그 트리플의 제 3 카테고리로 대체한다. 예컨대, 정련 규칙들 표 엔트리들을 고려하자:

(Entertainment/Movies,Entertainment/Music,Entertainment/Music/Shows and Movies)

질의 "film music"를 통해서는, 컨셉 "film"이 "Entertainment/Movies"로 분류되고, 컨셉 "music"이 "Entertainment/Music"로 분류된다. 정련 규칙들을 적용하면, 제 1의 두 카테고리들이 정련 규칙들 표 엔트리에서 쌍으로 발견되고(위에서 미도시), 따라서 카테고리 "Entertainment/Music"(트리플의 제 2 아이템)이 "Entertainment/Music/Shows and Movies"로 대체됨으로써 상기 규칙을 적용한 이후에는 질의 "film music"가 "Entertainment/Movies" 및 "Entertainment/Music/Shows and Movies"로 분류된다.

더 많은 규칙들이 결과들을 변경하기 위해서 필요시에 이러한 규칙 파이들에 추가될 수 있다. 한 가지 분류법보다 많은 분류법이 사용되는 경우에, 상기 규칙들 및 규칙 표들은 사용되는 모든 분류법에 대해서 범용적일 수 있거나, 별도의 규칙들 및 규칙 표들이 다른 분류법들을 위해 제공될 수 있다. 어떤 실시예에서는, 상기 규칙들 및/또는 규칙들 표들이 분류 처리 또는 정확성을 향상시키기 위해 질의 로그의 질의들을 처리하는 것과 같은 것에 의해서 반자동적으로 생성된다.

도미넌트 컨셉들

질의로부터 추출되는 다중 컨셉들 중에서 도미넌트 컨셉을 식별하기 위해 다양한 방법들이 사용될 수 있다. 컨셉은 유닛일 수 있거나 또는 일부 경우들에서는 수집이 통보된 카테고리의 수집이지만 개별적인 유닛들의 카테고리들이 통보되지 않는 유닛들의 수집일 수 있다. 예컨대, 질의 "luxurious furniture in miami"를고려하자. 유닛 "furniture"에 대한 카테고리가 통보되고 그 유닛 "miami"에 대한 카테고리가 또한 통보된다고 가정하자. 또한 "luxurious furniture"가 유닛이지만 그것의 카테고리는 통보되지 않는다고 가정하자. 이 경우에는, 유닛 "luxurious furniture"는 통보된 컨셉이 아닌 것으로 간주될 수 있고, 분류가 컨셉들로서 다른 워드들을 통해 진행된다. 만약 시드 세트가 유닛을 분류하기 위해 사용된다면, 유닛들-카테고리 맵핑이 분류기를 위한 시드 세트로서 사용될 수 있다.

도미넌트 유닛을 자동적으로 결정하기 위한 일부 규칙들은 스톱워드들(stopwords)을 제거하는 것, 유닛 빈도 및 질의 빈도를 고려하는 것, 모호성 척도들(ambiguity metrics)을 고려하는 것 및 도미넌트 컨셉들을 결정하기 위한 카테고리-기반 규칙들을 적용하는 것을 포함할 수 있다.

스톱워드들은, 일반적으로 질의의 도미넌트 컨셉이 아니어야 할 때는, 도미넌트 컨셉을 결정하기에 앞서 질의로부터 제거될 수 있다.

유닛 빈도는 유일한 유닛으로서 또는 다른 유닛들과의 결합되어 질의들에서 발생할 수 있는 유닛의 빈도이다. 정해진 유닛에 대한 질의 빈도는 질의의 유일한 유닛으로서 발생하는 정해진 유닛의 빈도이다. 이러한 비율들을 평가함으로써, 도미넌트 컨셉이 폭로될 수 있다.

직관적으로, 만약 워드가 다른 워드들과 매우 자주 사용된다면, 그것은 바람직하게도 독립형 컨셉이 아니고 통상적으로 그것의 의미를 클리어시키기 위해 정련을 필요로 한다. 이에 대한 예로는 질의 "cheap furniture"가 있다. 워드들 "cheap" 및 "furniture"는 컨셉들일 수 있지만, "cheap"의 유닛 빈도에 대한 질의 빈도의 비율은 낮은데, 그 이유는 그것이 질의들에서 매우 자주 스스로 나타나지 않기 때문이다. "cheap"에 대한 비율보다 더 높은 것으로 예상될 수 있는 "furniture"의 질의/유닛 빈도와 비교해서, "furniture"는 도미넌트 컨셉으로 간주될 것이다.

만약 유닛들 및 컨셉들이 동의어가 아닌 경우와 같이 질의/유닛 비율이 이용가능하지 않다면, 시스템은 단순히 둘 이상의 유닛들의 질의 빈도들을 비교하며, 도미넌트 컨셉 상태를 더 빈번한 컨셉(유닛이 아님)에 할당한다.

모호성 척도들이 또한 고려될 수 있다. 컨셉의 모호성은 시드 세트로부터 결정될 수도 있다. 예컨대, 분류된 200,000 개의 키워드들 및 질의들로 이루어진 시드 세트를 고려하자. 그 질의들은 거기에서 유닛들을 식별하기 위해 처리될 수 있다. 각각의 유닛에 대해서, 시스템은 유닛이 얼마나 많은 상이한 카테고리들에 할당되었는지를 검사할 수 있다. 다음으로, 모호성은, 더욱 모호한 유닛들이 시드 세트의 더 많은 카테고리들에 나타날 것이기 때문에, 상이한 카테고리들의 수에 대한 측정일 수 있다. 예컨대, 만약 "jaguar cars" 및 "jaguar animal"이 시트 세트에서 두 개의 분류된 질의들이라면, 그들의 카테고리들은 각각 "Automobiles" 및 "Animals"로서 상이할 것이다. 만약 이러한 두 질의들의 유닛들이 "jaguar", "car" 및 "animal"이라면, "jaguar"는 두 상이한 카테고리들에 나타날 것이며, 각각 하나의 카테고리를 갖는 "car" 및 "animal"에 비해서 더욱 모호한 것으로 간주될 것이다. 더욱 모호한 유닛들은 보다 덜 도미넌트할 수 있다.

카테고리 기반 규칙들이 또한 사용될 수 있다. 예컨대, 특정 카테고리들로부터의 컨셉들이 어떤 다른 분류된 컨셉들이 존재하지 않는 한 도미넌트한 것으로 간주되지 않는 경우에 규칙이 사용될 수 있다. 예컨대, 두 질의들 "furniture in miami" 및 "attractions in miami"와 같이 검색의 범위를 좁히기 위해서 위치들이 통상적으로 사용되는데, 여기서 "miami"는 도메인 제한 워드로서 사용되고, 전체 질의들의 실질적인 카테고리는 질의의 다른 컨셉들("attractions" 및 "furniture")에 따라 좌우될 것이다. 따라서, 위치들 또는 다른 도메인 제한 컨셉들로서 분류 되는 컨셉들이 자신들이 유일한 컨셉이지 않는 한 도미넌트 컨셉들로서 사용되지 않도록 하기 위해서, 규칙이 사용될 수도 있다.

정련들(refinements)

질의의 유닛들 중 어느 것도 분류되지 않은 경우에는, 위에 설명된 모호성 척도 사용들과 유사한 전략이 비통보된 유닛들/질의들을 다이내믹하게 분류하기 위해서 사용될 수 있다. 예컨대, 만약 유닛(A)이 독립적으로 분류되지 않고 카테고리(C)에 속하는 분류된 질의들에서 주로 발생하였다면, 상기 유닛(A)은 카테고리(C)에 할당될 수 있다. 일부 변형들에서는, 유닛이 특정 카테고리 내에서 발생되는 횟수에 의해 좌우되는 신뢰도 팩터가 고려될 수 있다.

일부 변형들에서는, 전체 시드 세트나 또는 시드 세트의 일부가 수동이 아닌 자동으로 생성될 수 있다. 두 가지 예들이 아래에서 설명되는데, 그러나 시드 세트를 자동적으로 생성하는 다른 방법들이 사용될 수도 있다는 것을 알아야 한다.

제 1 예에서는, 질의 로그가 다수의 엔트리 포인트들을 통해 검사된다. 포탈(portal)은 만약 자신이 다수의 속성들로 구성되고 그 속성들 각각과 연관된 페이지들이 검색 인터페이스들을 갖는다면 다수의 엔트리 포인트들을 가질 수 있다. 예컨대, 그렇지만 비제한적으로서, Yahoo! 포탈은 Yahoo! Maps, Yahoo! Sports, Yahoo! Travel, Yahoo! Shopping 등과 같은 다수의 속성들에 대한 액세스를 제공한다. 이러한 속성들 각각은 속성 페이지 상의 검색 박스에 의해 제공될 수 있는 것과 같은 검색 성능을 가질 수 있다.

시드 세트를 생성하는데 있어서, 일부 시간 기간 또는 다른 그룹화에 대한 질의들이 수집되고, 그 질의가 입력되어진 엔트리 포인트가 표시된다. 예컨대, 만약 "New York"이 표시될 Yahoo! Travel 페이지 상의 검색 박스에 입력으로서 입력되면, "New York"에 대한 검색은 여행과 연관될 것이고, "New York"이 Yahoo! Sports 페이지 상의 검색 박스에 입력될 때는, 검색이 스포츠와 연관될 것이다. 일부 속성들은 검색이 입력될 수 있고 각각의 엔트리 포인트가 개별적으로 처리될 수 있는 다중 페이지들을 가질 수 있는데, 특성에 대한 모든 엔트리 포인트들은 불분명하게 함께 그룹화될 수 있거나, 또는 이들 둘 사이에 어느 정도의 변차가 있다. 여하튼, 엔트리 포인트들 모두에 대해서(또는 적어도 거의 모두에 대해서), 카테고리가 통보된다. 예컨대, 만약 엔트리 포인트가 사용자의 선택된 주식들 및 그 주식들의 현재 시세를 나타내는 페이지 상에 있다면, 엔트리 포인트에 대한 카테고리가 명확히 결정될 수 있다. 여하튼 엔트리 포인트에 대한 카테고리가 아직 통보되지 않은 경우에는, 그것은 큰 포탈이 겨우 수백 개의 엔트리 포인트들을 갖는 것으로 예상할 수 있기 때문에 수동적으로 할당될 수 있고, 이는 수백만 개의 질의들을 수동으로 분류하는 것보다 더욱 관리가능하다.

본 명세서 및 관련된 특허 출원들에 기재된 기술들이나 또는 다른 기술들을 사용하여 다양한 엔트리 포인트들에 대한 컨셉 네트워크들이 생성된다. 그러한 컨셉 네트워크들을 가짐으로써, 모든 엔트리 포인트들에 대해 생성되는 유닛들의 결합이 유닛마다 분석될 수 있다. 만약 i 번째 유닛이 u[i]로 표현되고 엔트리 포인트들이 e1, e2, e3,...로 표현된다면, f(u[i], e[j])는 분석되는 질의들 세트에 대한 엔트리 포인트 e[j]에서 u[i]의 빈도이다. 예컨대, 질의들의 하루 동안의 가치 가 분석될 수 있거나, 또는 임의의 시간으로부터 제 1의 2천만 개의 질의들이 분석될 수 있다. Q(e[j])가 j 번째 입력 포인트와 연관된 분석되고 있는 질의들 세트의 총 질의들 수라고 하자.

유닛 및 엔트리 포인트의 각각의 결합의 경우, 정규화된 가중치가 수식 1에 제시된 바와 같이 계산될 수 있다. 가중치들의 스케일 및 정밀도는 더 쉬운 조작, 시청 및 수치들의 저장을 위해 조정될 수 있는데, 이러한 조정은 분석되고 있는 질의들 세트에서 질의들의 수에 통상적으로 상응하는 1,000,000 또는 임의의 다른 스케일 팩터가 곱해짐으로써 이루어진다.

w(u[i],e[j])=f(u[i],e[j]*(Q(e[j])/1000000) 식 1

유닛이 질의들 세트의 정해진 엔트리 포인트를 통해 결코 발견되지 않는 경우, 그것의 가중치는 '0'으로 설정될 수 있다. 엔트리 포인트들 각각의 정해진 유닛에 대한 가중치들을 사용함으로써, 엔트리 포인트들은 그 유닛에 대한 가중치의 내림차순으로 등급지정될 수 있다. 모든 엔트리 포인트들과 그들의 계산된 가중치들의 결합을 포함하는 이러한 정렬된 세트는 시드 세트로서 기능할 수 있다.

다른 해결방법에서, 질의들은 엔트리 포인트 정보를 통해서나 또는 그러한 정보없이 로그되지만, 그 로그는 사용하자 취하는 그 다음 액션의 지시를 포함한다. 만약 가능한 그 다음 액션들이 결정되고 그것들의 분류들이 통보되거나 또는 자동적으로 결정될 수 있다면, 이것들은 시드 세트로서 사용될 수 있다. 예컨대, 만약 포탈이 검색 결과들과 함께 디렉토리 매치들을 나타낸다면, 디렉토리 매치들 중 하나를 클릭하는 사용자 액션이 디렉토리 엔트리가 질의와 연관될 수 있도록 야 기할 수 있다.

예컨대, 사용자가 검색 질의(Q)를 입력하였고 디스플레이되는 검색 결과들 세트 및 디렉토리 카테고리 매치들을 획득한다고 가정하자. 디렉토리 카테고리들 각각은 카테고리 공간 식별자들(cs1, cs2, cs3 등)에 의해서 식별된다. 디렉토리에 존재하는 웹 사이트들은 사이트 공간 식별자들(ss1, ss2, ss3 등)에 의해서 식별될 수 있다. 사용자가 카테고리 공간 식별자나 또는 사이트 공간 식별자를 클릭하였을 때, 그 액션이 로그된다. 이러한 "클릭 로그들"은 이어서 질의들을 디렉토리 카테고리들에 맵핑하기 위해 사용될 수 있다. 이러한 식별자들 세트 양쪽 모두는 비어있지 않아야 할 필요가 없다. 예컨대, 사이트 공간 식별자들이 사용되지 않을 수 있거나 카테고리 공간 식별자들이 사용되지 않을 수 있다.

질의(Q)의 경우에, 만약 질의를 하고 있는 사용자가 카테고리 공간 식별자(cs1)를 클릭하고 그 카테고리 공간 식별자가 카테고리(c1)에 속하는 것으로 통보된다면, 그 질의(Q)는 카테고리(c1)에 맵핑될 수 있다. 질의(Q)를 사용하고 있는 다른 사용자도 또한 사이트 공간 식별자(ss2)를 클릭할 수 있다. 만약 그 공간 식별자가 카테고리(c2)의 디렉토리의 자식(child)(즉, 필드)라면, 질의(Q)는 카테고리(c2)에 맵핑될 수 있다. 질의를 카테고리에 각각 맵핑시키는 것은 그와 연관된 가중치를 가질 수 있다. 카테고리(C) 및 질의(Q)에 대한 이러한 가중치는 질의(Q) 이후에 카테고리(C)와 연관된 카테고리 공간 식별자나 또는 카테고리(C)와 연관된 자식 엔트리들 중 하나를 클릭한 사용자들의 수에 비례할 수 있다. 이러한 방식으로, 질의(Q)는 가중치에 의해서 지시되는 신뢰도에 따라 자동분류될 수 있다. 이 러한 맵핑 세트는 시드 세트로서 사용될 수 있다.

분류를 위한 신뢰도 측정들이 시드 세트에 따라 좌우되는 경우에는 그 신뢰도 측정들이 고려될 수 있다. 만약 시드 세트가 카테고리들과 연관된 신뢰도 측정을 갖는다면, 신뢰도는 각각의 분류된 질의에 할당될 수 있다. 수동적으로 생성되는 시드 세트들의 경우에는 신뢰도가 자동적으로 생성된 시드 세트에 대한 것보다 더 높을 수 있지만, 반드시 그럴 필요는 없다. 정확도를 향상시키기 위해서, 시스템은 낮은 신뢰도 레벨들을 갖는 일부 자동-분류된 질의들을 무시하기로 결정할 수 있다.

비록 본 발명은 특정 실시예들에 대해 설명되었지만, 당업자라면 많은 변경들이 가능하다는 것을 알 것이다. 일부 실시예들에서, 질의들은 수신될 때 처리될 수 있고, 따라서 하나 이상의 컨셉 네트워크에 대한 컨셉 네트워크 데이터가 거의 실시간적으로 업데이트된다. 본 명세서에서 설명된 자동적인 시스템들 및 방법들은, 유닛들, 관계들, 분류법들 등을 포함해서, 최종적인 유닛 딕셔너리 모두 또는 그 중 일부에 대한 사람의 검토를 통해 보강되고 보충될 수 있다.

본 명세서에서 설명된 실시예들은 웹 사이트들, 링크들, 및 World Wide Web(또는 그것의 서브세트)이 검색 코퍼스로서 기능하는 경우들에 특정된 다른 전문용어를 참조할 수 있다. 본 명세서에 설명된 시스템들 및 처리들은 상이한 검색 코퍼스(전자 데이터베이스 또는 문서 저장소와 같은)를 사용하도록 적응될 수 있고 결과들이 컨텐트뿐만 아니라 상기 컨텐트가 발견될 수 있는 위치들에 대한 링크들 및 참조들을 포함할 수 있다는 것을 알아야 한다.

따라서, 비록 본 발명이 특정 실시예들에 대해 설명되었을 지라도, 본 발명이 다음의 청구항들의 범위 내에서 모든 변경들 및 동일사항들을 포함하도록 의도된다는 것을 알 것이다.

Claims

사용자 검색 질의들을 분류법의 노드들(nodes of a taxonomy)과 연관시키기 위한 컴퓨터-구현가능 방법으로서,

상기 분류법의 각각의 노드는 질의들이 분류될 수 있는 카테고리를 나타내고,

상기 방법은,

사용자 검색 질의를 수락하는 단계;

유닛들을 다른 유닛들에 관련시키는 컨셉 네트워크(concept network)를 사용하여, 사용자 검색 질의에서 표현되는 컨셉들에 상응하는 하나 이상의 질의 유닛들로 이루어진 세트를 생성하는 단계;

분류법 데이터 구조를 액세스하는 단계 - 상기 분류법은 카테고리를 나타내는 각각의 노드와 노드-특정 컨셉 네트워크로서 상기 카테고리와 연관되는 다수의 노드들을 통해 계층적으로 됨 -;

유닛-노드 쌍들 세트가 하나 이상의 질의 유닛들로 이루어진 세트에 매칭하는 하나 이상의 레코딩된 유닛들을 포함하는지를 결정하기 위해서 상기 유닛-노드 쌍들 세트에 대해 상기 하나 이상의 유닛들로 이루어진 세트를 테스트하는 단계;

만약 상기 하나 이상의 질의 유닛들로 이루어진 세트가 유닛-노드 쌍에 매칭하지 않는다면, 유닛-노드 쌍들 세트 내의 유사한 유닛들에 대해 하나 이상의 질의 유닛들로 이루어진 세트를 테스트하는 단계; 및

적어도 다수의 사용자 검색 질의들에 대해서, 사용자 액션이 사용자 검색 질의들에 대한 카테고리를 독립적으로 나타내기 위해 취해질 때, 사용자 검색 질의들의 분류를 반영하기 위해 유닛-노드 쌍들 세트를 변경하는 단계를 포함하는,

컴퓨터-구현가능 방법.
제 1항에 있어서,

유닛-노드 쌍들 세트에 대한 저장부에서 유닛-노드 쌍들 세트의 이니셜 세트(initial set)를 판독하는 단계를 더 포함하고,

상기 이니셜 세트는 수동적으로 생성되며 또한 상기 테스팅 단계에 앞서서 생성되는, 컴퓨터-구현가능 방법.
제 1항에 있어서, 사용자 검색 질의에 대한 카테고리를 나타내기 위한 사용자 액션은,

사용자 검색 질의에 응하여 분류된 검색 결과들 세트를 제공하는 단계;

사용자가 선택한 분류된 검색 결과들 내에 히트 표시(indication of the hit)를 레코딩하는 단계; 및

유닛-노드 쌍을 이용하여, 사용자 검색 질의로부터 유도되는 유닛들을 사용자-선택된 히트와 연관된 카테고리와 연관시키는 단계를 포함하는, 컴퓨터-구현가능 방법.
제 3항에 있어서, 분류된 검색 결과들 세트는 구성된 웹 페이지들 제목 디렉토리에 대한 검색으로부터 유도되는 검색 결과들인, 컴퓨터-구현가능 방법.
제 1항에 있어서, 사용자 검색 질의의 분류에 따라 사용자 검색 질의에 대한 검색 결과들을 변경하는 단계를 더 포함하는, 컴퓨터-구현가능 방법.
제 1항에 있어서, 사용자 검색 질의의 분류에 따라 검색된 문서 코퍼스(document corpus)를 변경하는 단계를 더 포함하는, 컴퓨터-구현가능 방법.
제 1항에 있어서, 사용자 검색 질의의 분류에 따라 사용자 검색 질의에 주석을 다는 단계를 더 포함하는, 컴퓨터-구현가능 방법.
제 1항에 있어서, 사용자 검색 질의의 분류에 따라 관련된 검색 용어들에 대한 리스트를 생성하는 단계를 더 포함하는, 컴퓨터-구현가능 방법.
제 1항에 있어서,

클러스터들을 사용하여 유닛-노드 쌍들을 제공하는 단계를 포함하고,

정해진 클러스터의 멤버들인 유닛들은 다른 클러스터 멤버 유닛들이 자신들의 클러스터링으로 인해 연관되는 노드와 쌍을 이루기 더욱 쉬운, 컴퓨터-구현가능 방법.
제 1항에 있어서, 버티컬(vertical) 마다에 기초해서 유닛 빈도들을 사용하여 유닛-노드 쌍들을 제공하는 단계를 포함하는, 컴퓨터-구현가능 방법.
명령들을 운반하는 컴퓨터-판독가능 매체로서,

상기 명령들은, 실행될 경우, 하나 이상의 프로세서들로 하여금 제 1항 내지 제 10항 중 어느 한 항에 기재된 방법을 수행하도록 하는,

컴퓨터-판독가능 매체.