Résumé

Nous abordons ici le problème de l’estimation des paramètres des modèles standard de la recherche d’information sur de nouvelles collections pour lesquelles aucun jugement de pertinence n’est disponible. Pour cela, nous nous reposons sur des collections passées pour lesquelles des jugements de pertinence sont disponibles et introduisons une nouvelle représen- tation des requêtes indépendante de la collection considérée. À partir de cette représentation et des collections passées, nous apprenons une fonction de régression capable de fournir, pour une nouvelle requête, une valeur à chaque paramètre des modèles standard de la recherche d’information. Les expériences menées sur des collections standard montrent le bien fondé de l’approche suivie, qui fournit des résultats significativement meilleurs que ceux obtenus en uti- lisant les valeurs par défaut des paramètres ou en utilisant des jugements de pertinence sur la nouvelle collection.

Abstract

We address in this study the problem of estimating standard IR model parameters on new collections for which no relevance judgements are available. To do so, we rely on past collections with relevance judgements and introduce a new, collection independent query rep- resentation. From this representation as well as from past collections, we learn a regression function linking queries to parameter values. This regression function is then applied to each new query so as to determine the value of the parameter of the IR model considered. The experiments, conducted on standard IR collections, reveal that this approach significantly out- performs the approach based on default parameter values as well as the one making use of relevance judgements on the new collection to find global values for the IR model parameters.