Relevanspoäng

Relevanspoäng är ett numeriskt värde som återspeglar hur relevant en dokument, produkt eller annan resurs är i förhållande till en sökfråga eller användarkontext. Det används inom sökmotorer, rekommendationssystem och onlineannonsering för att rangordna resultat eller förhandsgranska alternativ. Ett högre relevanspoäng indikerar i allmänhet större överenskommelse mellan frågan och innehållet.

Beräkningen av relevanspoäng varierar mellan system. Traditionella informationshämtningsmodeller använder begrepp som termfrekvens (TF), omvänd dokumentfrekvens (IDF) och BM25 för att uppskatta hur väl dokumentet matchar frågan. Moderna system använder maskininlärning och lärande-til-rank-strategier som kombinerar många funktioner: textens sammanhang, semantisk likhet, användarens kontext och beteende, samt aktualitet och kvalitetssignaler. Relevanspoäng är vanligtvis ett relativt mått, ofta på en skala mellan 0 och 1 eller 0 och 100, och den är meningsfull främst inom jämförelsen mellan dokument i samma dataset eller session.

Användning och utmaningar: Relevanspoäng används för att avgöra vilka resultat som visas högst först i sökresultat eller i en rekommendationslista. Vissa system normaliserar eller kalibrerar poängen över olika användargrupper för att upprätthålla konsekvens. Utmaningar inkluderar risk för manipulation, partiskhet i data, behov av uppdaterade modeller för att följa förändrat användarbeteende samt integritets- och rättviseaspekter vid användning av personliga signaler.