即使对于有经验的用户，制定和重新制定可靠的文本查询也已被认为是信息检索（IR）中的一项艰巨任务。 大多数现有的查询扩展方法，尤其是基于隐式相关性反馈的查询扩展方法，都利用用户的历史交互数据，例如单击，滚动和查看文档的时间，来推导完善的查询模型。 进一步期望，如果我们可以通过直接在术语级别捕获用户当前的交互来实时挖掘用户的潜在查询意图，则用户的搜索体验将得到极大改善。 在本文中，我们提出了一种基于实时眼动跟踪的查询扩展方法，该方法能够：（1）利用眼动跟踪技术自动捕获用户正在查看的术语； （2）根据眼睛跟踪项并使用潜在狄利克雷分配（LDA）方法得出用户的潜在意图。 进行了系统的用户研究，实验结果证明了我们提出的方法的有效性。
2022-11-22 00:27:23
1.42MB
1
二、多元线性回归预测模型的显著性检验
与一元线性回归的情形类似，也应检验y与x1,x2…，xm之间的线性相关关系是否显著。只有线性相关关系显著时，所求得的多元线性回归模型才有应用价值，这时，也称回归模型（方程）的回归效果显著。
但与一元线性回归也有不同之处：一元线性回归中只有一个自变量，“回归效果不显著”与“b=0”是一回事；对于多元线性回归则要复杂得多，否定了假设
“H0：b1=b2=…=bm=0”时，认为多元线性回归方程的“整个回归效果是显著的”，有一定实用价值，但并不等于说y与所有的自变量xj(j=1，2，…，m)均有密切的相关关系，也可能有某几个xj与y 的相关关系并不密切，但没有影响大局。因此，对多元线性回归模型，除了要检验“整个回归效果是否显著”外，还应逐个检验每个回归系数bj(j=1，2，…，m)是否为零，以便分辨出哪些xj对y无显著影响。下面分别加以讨论。
2022-11-21 22:36:15
1006KB
1