Konzeption und Evaluation der Aggregationsmethode mit analytischem Hierarchieprozess für Meta-Suchmaschine in Unternehmen

Konzeption und Evaluation der Aggregationsmethode mit analytischem Hierarchieprozess für Meta-Suchmaschine in Unternehmen

4.11 - 1251 ratings - Source



Inhaltsangabe:Einleitung: Wissen erlangt zunehmende Bedeutung als Wettbewerbfaktor. Durch die stetige Steigerung der Menge der in digitaler Form zur VerfA¼gung stehenden Information stellt die Nutzung des vorhandenen Wissens eine groAŸe Herausforderung dar. Mitarbeiter wissen oft nicht, ob die relevante Information zu einem Thema in Unternehmen vorhanden ist oder wo die Information zu finden ist. Durch diesen Umstand ist es schwierig, Wissen effizient und effektiv zu nutzen, was dazu fA¼hrt, dass die Erfahrungen und Kompetenzen eines Unternehmens nicht konsequent ausgenutzt oder weiterentwickelt werden kApnnen. Das Auffinden vollstAcndiger Information zu einem Problem, wie es Mitarbeiter beispielsweise zur Aufgabenerledigung benAptigen, umfasst die zeitaufwendige Suche mit mehreren Suchdiensten in unterschiedlichen Systemen. Durch Suchmaschinen kApnnen die Inhalte mehrerer Quellsysteme erschlossen werden. Die Anzahl der auf eine Suchanfrage gelieferten Treffer ist jedoch hAcufig zu hoch oder die QualitAct der Ergebnisse fA¼r die Suchintention unpassend. Effektives Ranking der Suchergebnisse aus heterogenen Informationsquellen wurde deshalb als offenes Problem im Bereich des Enterprise Search identifiziert. Am Lehrstuhl fA¼r Wirtschaftsinformatik und E-Government der UniversitAct Potsdam wurde eine Meta-Suchmaschine im Rahmen des Forschungsprojekts selbstlernende Suchmaschine (kurz SLS) entwickelt. Durch eine kombinierte automatische und interaktive Bewertung der Suchergebnisse und durch den suchenden Mitarbeiter wird die QualitAct der Ergebnisse ermittelt. Diese Daten werden in Beziehung zur organisatorischen Einbindung des Suchenden (Projekt, Hierarchie, Rolle) gesetzt. Die so entstehenden VerknA¼pfungen werden zur Verbesserung der Suchergebnisse verwendet. Durch die Anwendung von Techniken des fallbasierten SchlieAŸens (Engl.: Case-Based Reasoning) soll es mApglich sein, die so gewonnenen Informationen auf andere suchende Mitarbeiter zu A¼bertragen. So wurden die Personalisierung sowie die Sozialisierung der Suche in der selbstlernenden Suchmaschine bereits berA¼cksichtigt. Um Ranking der Suchergebnisse aus heterogenen Informationsquellen zu verbessern, kann man den Rankingprozess als einen Entscheidungsprozess aus Sicht des Nutzers betrachten. Dabei soll der EntscheidungstrAcger (der Suchende) die Alternativen (die Suchergebnisse) hinsichtlich seines Problems (Suchintention) auswAchlen. So kApnnen Entscheidungsmodelle dafA¼r eingesetzt werden. Der multikriterielle Entscheidungsansatz, der analytischer Hierarchieprozess (Engl.: analytic hierarchy process, kurz AHP), wurde bereits fA¼r diesen Zweck verwendet. Das wichtigste Argument fA¼r die Anwendung der multikriteriellen Entscheidungsmethode besteht darin, dass je mehr die Suchmaschine A¼ber die Suchintention des Nutzers weist, desto besser kann sie ihn bei der Informationssuche unterstA¼tzen und ihm bessere Ergebnisse zurA¼ckliefern. Der Entwurf fA¼r einen derartigen Ansatz fA¼r die SLS wird im Rahmen der Diplomarbeit analysiert und prototypisch umgesetzt. Im Gegensatz zu den bisherigen AnsActzen liegt der Fokus hier im Bereich Enterprise Search anstelle Web Search. Zielsetzung und Aufbau der Arbeit: Die vorliegende Arbeit soll einen Beitrag zur Verbesserung der Informationssuche in Unternehmen leisten, indem eine neuartige Aggregationsmethode mittels des analytischen Hierarchieprozesses fA¼r die selbstlernende Suchmaschine entwickelt wird. Dabei sollen die Personalisierung und die Sozialisierung der Suche besonders berA¼cksichtigt bzw. verbessert werden. Zur Erreichung der oben genannten Ziele wird die Diplomarbeit folgendermaAŸen aufgebaut. Das erste Kapitel befasst sich mit den theoretischen Grundlagen. Dabei werden unter anderem Grundlagen des Information Retrievals, der Meta-Suchmaschine ausfA¼hrlich behandelt. Im zweiten Kapitel wird die selbstlernende Suchmaschine vorgestellt. Dabei werden nicht nur Hintergrund, Konzept dieser Suchmaschine vorgestellt, sondern wichtige technische Aspekte werden ebenfalls ausfA¼hrlich erlAcutert. Der wichtigste Teil der Diplomarbeit befindet sich im vierten Kapitel. Hier wird die Konzeption einer neuen Aggregationsmethode mittels des analytischen Hierarchieprozess ausfA¼hrlich erAprtert. ZunAcchst werden Methoden der Entscheidungstheorie auf ihre Eignung fA¼r den Einsatz im Kontext der Suchmaschine geprA¼ft. Die Grundlage des analytischen Hierarchieprozesses wird nicht im theoretischen Kapitel sondern hier erlAcutert. Das Ergebnis dieses Kapitels stellt eine Softwarekomponente fA¼r AHP dar. Auf deren Basis wird eine Aggregationsmethode entwickelt und in die Suchmaschine eingebettet. Um die Aussagen A¼ber die QualitAct der neu entwickelten Aggregationsmethode ableiten zu kApnnen, wird im fA¼nften Kapital der Diplomarbeit eine Evaluation dieser Methode durchgefA¼hrt. Dabei wird ein Anwendungsszenario der Suchmaschine vorgestellt. Das letzte Kapitel wird die Arbeit mit einer Aussicht auf offene Forschungsfragen abschlieAŸen. Inhaltsverzeichnis:Inhaltsverzeichnis: AbkA¼rzungsverzeichnisIII AbbildungsverzeichnisIV TabellenverzeichnisV 1.Einleitung1 1.1Motivation und Thema1 1.2Zielsetzung und Aufbau der Arbeit2 2.Theoretische Grundlagen3 2.1Grundlage des Information Retrievals3 2.1.1Daten, Information und Wissen3 2.1.2Definition des Information Retrievals4 2.1.3Modelle des Information Retrievals6 2.1.3.1Boolesches Modell6 2.1.3.2Vektorraummodell7 2.1.3.3Probabilistisches Modell8 2.1.4Grundlegende Techniken in Information Retrieval8 2.1.4.1Invertierter Index8 2.1.4.2Termgewichtung9 2.1.4.3Modifikation der Anfrage10 2.1.5Evaluation von Information Retrieval Systemen11 2.2Meta-Suchmaschine12 2.2.1Definition und Abgrenzung der Meta-Suchmaschine12 2.2.2Typologien der Meta-Suchmaschinen14 2.2.3Komponenten der Meta-Suchmaschine14 2.2.4Aggregrationsmethode der Ergebnisliste16 2.2.4.1Scorebasierte Methode17 2.2.4.2Rangbasierte Methode18 2.3Fazit18 3.Selbstlernende Suchmaschine20 3.1Hintergrund der selbstlernenden Suchmaschine20 3.2Architektur und Implementierung des Prototyps21 3.3Technische Aspekte der selbstlernenden Suchmaschine29 3.4Aggregrationsmethode der selbstlernenden Suchmaschine31 3.4.1Fallbasiertes SchlieAŸen31 3.4.2Ranking mit fallbasiertem SchlieAŸen35 3.5Fazit38 4.Konzeption der Aggregationsmethode mit analytischem Hierarchieprozess39 4.1Eignung des analytischem Hierarchieprozesses fA¼r Aggregation der heterogenen Suchergebnisse39 4.1.1Informationsbeschaffung als ein Entscheidungsproblem39 4.1.2Ranking als ein Entscheidungsproblem40 4.2Grundlagen und Vorgehensweise des analytischen Hierarchieprozesses42 4.2.1Grundlagen des analytischen Hierarchieprozesses42 4.2.2Vorgehensweise des analytischen Hierarchieprozesses43 4.3Konzeption der Aggregationsmethode mit analytischen Hierarchieprozess53 4.3.1Festlegung der Kriterien und Aufbau der Entscheidungshierarchie53 4.3.2Errechnung der Gewichte fA¼r Suchergebnisse57 4.4Technische Umsetzung64 4.4.1Umsetzungsziele und Rahmenbedingungen65 4.4.2Realisierung und Einbettung der Aggregationsmethode in SLS66 5.Fallstudien: Ein Anwendungsszenario der selbstlernenden Suchmaschine70 5.1Zielsetzung der Fallstudie70 5.2Design der Fallstudie71 5.2.1Ausgangsituation und Vorbereitungen der Fallstudie71 5.2.2Vorgehensweise73 5.2.3Datenerfassung76 5.3Analyse und Bewertung der Ergebnisse77 6.Zusammenfassung und Ausblick81 LiteraturverzeichnisVI AnhAcngeXII Textprobe:Textprobe: Kapitel 4.3, Konzeption der Aggregationsmethode mit analytischem Hierarchieprozess: Festlegung der Kriterien und Aufbau der Entscheidungshierarchie: Bevor Kriterien fA¼r das Entscheidungsproblem ermittelt werden sollen, mA¼ssen zunAcchst maAŸgebliche Anforderungen an die Aggregationsmethode mit analytischem Hierarchieprozess definiert werden. Im Einzelnen sind dies: - Verbesserung der Personalisierung und der Sozialisierung der Suche. - BerA¼cksichtigung der Rolle der Suchenden im Unternehmen. - BerA¼cksichtigung der Aufgabe, die der Suchende zur erledigen hat. - Sowie Erweiterung der Aggregationsmethode mit CBR. Es ist deutlich, dass es keine allgemeingA¼ltige Hierarchie fA¼r alle Entscheidungsprobleme gibt. Vielmehr hAcngt sie von der Entscheidungssituation und von der subjektiven Einstellung des EntscheidungstrAcgers ab. Dennoch kann der Aufbau einer Entscheidungshierarchie in folgenden Schritten erfolgen. - Definition des Oberziels. - Ableitung der Kriterien und Subkriterien aus dem definierten Oberziel. - Festlegung der Alternativen fA¼r die Zielerreichung. Mit der Inanspruchnahme der Suchmaschine beabsichtigt der EntscheidungstrAcger, zusActzliche Information fA¼r die LApsung seines Problems zu beschaffen. In diesem Fall lautet das Oberziel eindeutig das Auffinden der relevanten Dokumente. Im Vergleich zu anderem Entscheidungsproblem wie Entscheidung A¼ber den Kauf eines Autos stellt die Ableitung der (Sub-) Kriterien in diesem besonderen Entscheidungsmodell eine schwierige Aufgabe dar. Dennoch lassen sich aus den zuvor definierten Anforderungen Kriterien fA¼r diese Entscheidung ermitteln. Im Folgenden werden deshalb die AnsActze der Personalisierung der Suche sowie der sozialen Suche kurz erAprtert, welche der Ermittlung der Kriterien dienen sollen. Personalisierung der Suche /Personalisierte Suche: Ziel der zu entwickelnden Aggregationsmethode ist, Suchergebnisse aus unterschiedlichen und heterogenen Informationsquellen durch Anpassung an die SuchprAcferenzen der Suchenden zusammenzufA¼hren. Von einer Personalisierung der unternehmensweiten Suche kann hier gesprochen werden. Hierzu kApnnen personenbezogenen Merkmale verwendet werden. Zur Ermittlung der Entscheidungskriterien fA¼r diesen analytischen Hierarchieprozess wAcre es deshalb sinnvoll, zuerst mit der Analyse der Personalisierung der Suche zu beginnen. Bei Coskun wird die Personalisierung der Suche folgendermaAŸen definiert. Personalized search techniques use information stored in user profiles, additionally to the user's current search or query, to estimate the user's wishes and select the set of relevant information . Wichtige Aufgabe der Personalisierung ist es, dem Nutzer die relevante Information in einer fA¼r ihn aufbereiteten Form zu liefern. Daten A¼ber den Nutzer und seine PrAcferenzen bilden dabei die Grundlagen der Personalisierung. Im Unternehmensumfeld kann sich die Personalisierung entweder auf externe Anspruchgruppen (Kunden, GeschAcftspartner, Investoren, Lieferanten etc.) oder aber auf interne Anspruchgruppen orientieren. Die Zielgruppe der selbstlernenden Suchmaschine ist in erster Linien die interne Anspruchgruppen. Innerhalb des Unternehmens ist das Nutzerprofil davon abhAcngig: - Zur welchen Abteilung (z.B. FaE, Finanz, Marketing etc.) der Nutzer gehAprt. - Welche Rolle in der Abteilung (Manager, Experte, etc.) der Nutzer innehat. - Aœber welche Erfahrung, Wissen der Nutzer verfA¼gt. - Welche Aufgabe der Nutzer zu erledigen hat (Engl. context of current task). Im Grunde kann Nutzerprofil in drei Ebenen eingeteilt werden. In der ersten Ebene werden die persApnliche Daten (Name, Geschlecht, Ausbildung, etc.) sowie die ziemlich konstante Merkmale wie Abteilung, Rolle etc. gespeichert. Der mittleren Ebene umfasst die dynamische Merkmale des Nutzers im Unternehmen, die sich jedoch nicht sehr hAcufig Acndern. Dazu gehAprt z.B. die Information A¼ber beteiligte Projekte, Skill, Soziales Netzwerk etc. Auf der obersten Ebene eines Nutzerprofils werden die vorlAcufigen bzw. kurzlebigen Nutzerdaten prAcsentiert. Diese Daten werden vom System generiert, in dem er die AktivitActen des Nutzers registriert und analysiert. Die AktivitActen des Nutzers in diesem Kontext sind dennoch nicht mit den SuchaktivitActen zu verwechseln. Es wird unterschieden zwischen vier typischen Arten der NutzeraktivitActen. - Workspace level: Ereignisse wie (Mausklick, Texteingaben, etc.) werden A¼berwacht. - User action level: reprAcsentiert Aktionen des Benutzer wie Erstellen neuen Dokuments. - Task concept level: erfasst die Absicht des Benutzers. - Process level: verbindet mit dem GeschAcftsprozess im Unternehmen. Bedeutend fA¼r die Ermittlung der Kriterien sind in erster Linie das Aufgabekonzept sowie die AktivitActen des Nutzers im Rahmen des GeschAcftsprozesses in Unternehmen. Die Ermittlung des Aufgabekonzepts ist allerdings nicht einfach. Es gibt verschiedene GrA¼nde dafA¼r. Vor allem existiert kein theoretisches Fundament dafA¼r, dass ein bestimmtes Aufgabekonzept aus einer Reihe der sequentiellen AktivitActen der Benutzer zu identifizieren ist. Trotz dieser Schwierigkeiten wird das aufgabenbezogene Kriterium fA¼r die Entscheidung gewAchlt. Und im folgenden Abschnitte soll darA¼ber geklAcrt werden, wie eine Aufgabe ermittelt und beschrieben wird und wie diese in den Aggregationsprozess einbezogen werden kann. Sozialisierung der Suche /kollaborative Suche: Der Ansatz der sozialen Suche verfolgt das Ziel, die QualitAct der Suchergebnisse fA¼r einen Nutzer durch Erfahrungen anderer Nutzer, also durch ihre zuvor abgegebenen Bewertungen anzupassen bzw. zu verbessern. WAchrend bei der personalisierten Suche Daten A¼ber einen Nutzer eine wichtige Rolle spielen, ist die QualitAct der Suchergebnisse bei der sozialen Suche vor allem von AktivitActen und Interesse anderer Nutzer abhAcngig. Technisch gesehen wird bei der sozialen Suche hAcufig das kooperative Filtern (Engl. collaborative filtering) verwendet. Dabei besteht das Problem der Identifikation der Gruppe von Nutzern, insbesondere wenn es um Web Search geht. Zur Einordnung eines Nutzers in eine Gruppe kApnnen unterschiedliche Kriterien wie Interesse, Beruf, geographische Daten, gemeinsame Aufgabe etc. verwendet werden. Da der Fokus dieser Diplomarbeit auf die unternehmensweite Suche gelegt wurde, werden Gruppen von Nutzer in der Regel bereits vorgegeben und diese Information kann hierzu ohne weiteren Aufwand sofort benutzt werden. Kriterien des Entscheidungsmodells: Bereits auf ersten Blick auf die Eigenschaft der selbstlernenden Suchmaschine ist festzustellen, dass die Suchanfrage eine wichtige Rolle bei dem betrachteten Entscheidungsproblem spielt. Die Suchanfrage gibt der Suchmaschine wichtigen Hinweis auf die Suchintention des Nutzers. Deswegen kann das erste Kriterium aus der gestellten Anfrage ermittelt werden. Dieses anfragenbezogene Kriterium kann weiterhin in andere Subkriterien weiter geteilt werden. Herangezogen werden z.B. die Nutzereinstellungen A¼ber Synonyme, Assoziierte Terme etc. Aus der Analyse der AnsActze zur personalisierten und sozialen Suche kommen Suchkontext und Profil des Nutzers ebenfalls in Betracht. Damit kApnnen auf der ersten Hierarchieebene zwei weitere Kriterien bestimmt werden. Zum einen ist es das kontextbezogene Kriterium. Mit dem ausgewAchlten Suchkontext werden die NutzerprAcferenzen hinsichtlich der Informationsquellen automatisch angegeben, weil beim Anlegen eines Kontexts ein Initialgewicht fA¼r jede unterliegende Informationsquellen vordefiniert wird, dieser wird im Laufen der Zeit in AbhAcngigkeit der Bewertungen anderer Nutzer verAcndert. Zum anderen stellt Rolle oder Profil des Nutzers das dritte Kriterium der Hierarchieebene dar.[Walls 2008] Walls, C. Breidenbach, Q.: Spring in action, Manning Publication, 2008. [Wiederhold 1992] Wiederhold, G.: Mediators in the Architecture of Future Information Systems. In: IEEE Computer 25, Nr. 3, 1993, S. 38a€“49. [Witten et alanbsp;...


Title:Konzeption und Evaluation der Aggregationsmethode mit analytischem Hierarchieprozess für Meta-Suchmaschine in Unternehmen
Author: Mau Tri Nguyen
Publisher:diplom.de - 2009-12-27
ISBN-13:

You must register with us as either a Registered User before you can Download this Book. You'll be greeted by a simple sign-up page.

Once you have finished the sign-up process, you will be redirected to your download Book page.

How it works:
  • 1. Register a free 1 month Trial Account.
  • 2. Download as many books as you like (Personal use)
  • 3. Cancel the membership at any time if not satisfied.


Click button below to register and download Ebook
Privacy Policy | Contact | DMCA