Our main contributions in this work

Our main contributions in this work are listed as follows:
•
We redefine and reduce the “Query Suggestion (QS)” problem,
•
We propose a modular, extendable query suggestion framework that enables new methods to be easily plugged in and
may contain many QS algorithms.
•
We evaluate the performance of a click-through data based QS technique proposed for general purpose search engines
in literature, on a real educational search engine log.
•
We propose new QS algorithms that exploit query features for general (query, session, user features) and educational
search engines (course and grade features).
•
We also propose hybrid algorithms that combine several QS techniques for higher effectiveness. These algorithms are
integrated in the above mentioned framework.

Kết quả (Việt) 1:

Chúng tôi đóng góp chính trong tác phẩm này được liệt kê như sau:•Chúng tôi redefine và làm giảm các vấn đề "truy vấn đề nghị (QS)",•Chúng tôi đề xuất một khuôn khổ đề nghị truy vấn mô-đun, mở rộng cho phép các phương pháp mới để dễ dàng được cắm vào vàcó thể chứa nhiều các thuật toán của QS.•Chúng tôi đánh giá hiệu suất của một kỹ thuật QS nhấp qua các dữ liệu dựa trên đề nghị cho công cụ tìm kiếm thông dụngtrong văn học, trên một giáo dục thực sự tìm kiếm đăng nhập.•Chúng tôi đề xuất mới các thuật toán QS khai thác các tính năng truy vấn cho tướng (truy vấn, phiên làm việc, người sử dụng tính năng) và giáo dụccông cụ tìm kiếm (tính năng khóa học và lớp).•Chúng tôi cũng đề xuất kết hợp các thuật toán kết hợp nhiều kỹ thuật QS cho hiệu quả cao hơn. Các thuật toán nàytích hợp trong khuôn khổ đề cập ở trên.