SEXI2013読み会: Adult Query Classification for Web Search and Recommendation

2,384 views

Published on

SEXI2013読み会 発表資料

Published in: Technology
  • Be the first to comment

SEXI2013読み会: Adult Query Classification for Web Search and Recommendation

  1. 1. SEXI2013読み会: Adult Query Classification for Web Search and Recommendation 2013-06-30 Yoshihiko Suhara @sleepy_yoshi
  2. 2. Adult Query Classification for Web Search and Recommendation • Aleksandr Chuklin, Alisa Lavrentyeva (Yandex) • Yandex – ロシアのシェアNo.1検索エンジン
  3. 3. イントロ
  4. 4. なぜ アダルトクエリ判別が 必要なのか?
  5. 5. 幸せな世界 • 検索エンジンというひとつの入り口からおとなも こども もおねーさんもみんな各々が幸せになれる世界へ案 内 検閲削除
  6. 6. Adult query 判別がなぜ必要か? • アダルトコンテンツを望む人,望まない人がいる ハァハァ・・・ 検閲済ハァァァ! おとなには自動的に セーフサーチOFFにしてあげたい 検閲削除
  7. 7. 既存のアプローチ • 最も簡単なのはホワイトリスト,ブラックリスト 形式 • 既存研究の多くはアダルトコンテンツ判定に 取り組んでいた – 映像,文書などのアダルトコンテンツ判定 • 今回はアダルトコンテンツ判定の情報を利用 したアダルトクエリ分類器を学習
  8. 8. 提案手法
  9. 9. 提案手法の概要 • 教師あり学習を用いて分類器を学習 訓練データ 学習アルゴリズム クエリ分類器 クエリ (特徴ベクトル) 生成 判定結果 {white, gray, black} 今回は3値分類
  10. 10. 利用する特徴 • 大きく以下の2つのアプローチで特徴抽出 – (1) SEarch Result Page (SERP) feature • 検索結果のadultnessスコアを利用した特徴 • adultnesss スコア [0, 1] – 各文書に対してあらかじめ付与されたアダルトコンテンツらし さのスコア – 具体的な計算方法については記載なし  – (2) Language feature • クエリのみから抽出する特徴
  11. 11. (1) SERP features (8 features) • SERP feature – 上位N件に存在する adultness > 0 の文書数 – 最上位の adultness スコア – 上位N件に存在する adultness スコアが以下の範 囲に含まれる数 (4 features) • [0.25, 0.5), [0.5, 0.75), [0.75, 1.0), [1,0, +∞) – 上位N件のadultnessスコアの平均と分散 (2 features) 本研究ではN=30と設定
  12. 12. (2) Language features (1/2) • Language features – 全クエリ, black, whiteクエリに対して構築された計3個 の言語モデルを利用 • bi-gramモデル+back-off smoothing を利用 – black言語モデルの例 𝑃𝑏𝑙𝑎𝑐𝑘 𝑄 𝑀 𝑏𝑙𝑎𝑐𝑘 = 𝑃(𝑞𝑖|𝑞𝑖−1; 𝑀 𝑏𝑙𝑎𝑐𝑘) |𝑄| 𝑖=1 – 言語モデル構築に利用するコーパス: • SERP featureを用いて構築したblack-whiteクエリ分類器に よって収集したblack/whiteクエリ • precision 約90%だそう.量については記載されておらず
  13. 13. (2) Language features (2/2) • 具体的には記載されておらず
  14. 14. システム構成図 クエリ入力 検索結果取得 Adultness計算 検索結果フィルタ 検索結果提示 検索エンジン ここでフィルタ
  15. 15. 実験
  16. 16. Adult query dataset • 1889クエリを人手で判別 – white: 1118 – gray: 132 – black: 639 – ※サンプルにはsome well-known black wordsを 利用
  17. 17. 実験条件 • 分類器にはGradient Boosting Decision Trees (GBDT) を利用 • 10 Fold cross validation で評価
  18. 18. 結果
  19. 19. 結果に対する考察 • black, whiteの判別は高精度に達成.grayが イマイチ • Language feature がなくても高精度 – 当たり前? • コーパス作成のblack/white判定にSERP featureを使っ ているから • SERPにおけるAdultnessスコアを利用しているから – 検索結果に出てくる = 当該キーワードを含む – Adultnessスコア計算にlanguage featureに相当する情報に基 づく特徴が利用されていれば,情報として重複
  20. 20. 応用例 • (1) ウェブ検索 – クエリが • blackに分類: フィルタリングを一切せずに検索結果を提示 • whiteに分類: adultnessスコアが閾値𝛼以上のものを排除して結 果を提示 • grayに分類: adultnessスコアが閾値𝛽以上のものを排除して結果 を提示 • (2) クエリ推薦 – 既に入力されたクエリがwhiteに分類された場合,blackク エリは提示しない – 既に入力されたクエリがblackに分類された場合は前候補 を提示
  21. 21. まとめ • アダルトクエリ判別を3値に分類する方法と特 徴を提案した • 今後の課題 – grayクエリの更なる分析 – filteringではなくランキングへの反映
  22. 22. 感想 • 3値分類の目的がよくわからない – black/white 判定の精度向上? – 考察が少ないのでなんともいえず • 特徴にSERPを使うのはよいとして,adultness スコア計算方法に依存しているため微妙 – しかもそこがブラックボックスになっている 
  23. 23. おまけ
  24. 24. Yandexの総クエリ数を推定する • Yandexの1年間に使用されるユニーククエリ 数が論文内に記載されている (いいの?) – 116,511,310クエリ • この数字からYandexの年間総クエリ投入数 予測を試みる
  25. 25. Heapsの法則 • コーパスサイズ𝑁の総語彙数𝐷が以下の法則 に従うというもの 𝐷 = 𝑘𝑁 𝛽 – ただし𝑘と 𝛽はコーパスに依存 • 対数を取ると log 𝐷 = 𝛽 log 𝑁 + log 𝑘 – 両対数の世界では線形の関係
  26. 26. Heapsの法則を用いた予測 • 以下のステップで推定を試みる – 1. 既存のクエリログから𝑘と𝛽を推定 – 2. 𝐷 = 116,511,310 を代入して総クエリ数𝑁を推定 • 既存のクエリログとしてAOLクエリログデータ セットを利用して試してみる
  27. 27. AOLデータセットに対する Heapsの法則の適用 • 両対数グラフでプロットしてみる – かなりきれいに線形関係 ※ 詳しくは http://d.hatena.ne.jp/sleepy_yoshi/20120129/p1 に記載
  28. 28. AOLデータにおける実験 • 一部データを使って推定した𝑘と𝛽を用いて語 彙数増加を予測 – 最小二乗法によるフィッティング • 10%程度のデータを用いるとかなり高精度にフィット
  29. 29. Yandexクエリ数の推定 • AOL全データに対する最小二乗フィッティング結果 – 推定値: 𝑘 = 3.832, 𝛽 = 0.7406 • 𝐷 = 𝑘𝑁 𝛽 に代入 116,511,310 = 3.832 𝑁0.7406 𝑁 = 12,702,687,258 • よって総クエリ投入数は以下のとおり予測 – 約127億クエリ/年 – 約10億クエリ/月
  30. 30. Thank you!

×