Evaluation of semantic web search engines

Abstract

Kullanıcı sorgularına direk cevaplar verebilmek ve kullanıcı sorgularını daha iyi anlayıp daha doğru sonuçlar üretebilmek için, Google ve Bing arama motorları anlamsal arama motorlarını geliştirmişlerdir. Bunun için büyük bir varlık-ilişki veri tabanı geliştirmişlerdir. Hedefleri kullanıcılar için ilgili olabilecek her konuda bu veri tabanında bilgi bulundurmaktadır. Fakat, bu veri tabanları insan müdahalesi olmadan otomatik olarak geliştirilememektedir. Her iki arama motoru da anlamsal arama motorlarını sürekli geliştirmekte ve yeni özellikler eklemektedir. Anlamsal arama motorları, sözlüksel benzerlik ve anahtar kelime karşılaştırması yapan web arama motorlarının normal çalışma sistemlerini çok önemli oranda etkilemiştir. Anlamsal arama motorları gelecekteki daha kapsamlı arama motorları için önemli bir adım oluşturmaktadır. Bu tezde, Google Knowledge Graph ve Bing Satori anlamsal arama motorlarının sınıf kapsamını, varlık ilişki yöntemlerini, kullanıcı sorgularına varlık listesi döndürme özelliklerini, kullanıcıların İngilizce sorgularını anlama kapasitelerini araştırdık.

On their effort to improve their web search engines by providing direct answers to many user queries and eradicates the problems in dealing with ambiguous queries, Google and Bing developed semantic web search engines. They have built a huge database of entities and relationships among them. Their objective is to have a comprehensive entity database. They want to have all entities that may be of an interest to the users. However, this is a challenging task, since the entity databases could not be built without human intervention. Both search engines are constantly improving their semantic search engines and adding new features. The evolution of these semantic search engines has really changed the normal routine operation of web search engines of returning results based on lexical similarity or keyword matching. This is a step ahead of the state-of-the-art web search engines. In this study, we investigated the coverage of classes in Google Knowledge Graph and Bing's Satori, how they organized their data, the extent to which they answer user's queries about list of entities, kinds of queries supported by the engines and the extent to which they understand natural language queries.