Définition
L’ajustement de la pertinence consiste à améliorer la façon dont un moteur classe les résultats pour des requêtes réelles. Cela inclut la pondération des champs, les boosts de sources fiables, l’affinage des analyseurs/synonymes et la validation via évaluations offline et analytics.
Pourquoi c’est important
- Confiance: de petites erreurs de ranking peuvent casser la confiance.
- Cohérence: résultats moins “aléatoires” pour des requêtes proches.
- Impact: meilleure pertinence = plus de conversions et moins de support.
- Sécurité: on peut privilégier des sources autoritatives et réduire le bruit.
Comment ça fonctionne
Mesure -> hypothèse -> ajuste -> évalue -> déploie -> surveilleUn bon tuning s’appuie sur des métriques claires (temps pour trouver, satisfaction, réussite de tâche) et un ensemble de requêtes représentatif.
Exemple pratique
Si les utilisateurs qui cherchent “WIB92 article 26” cliquent surtout sur le texte officiel, vous pouvez booster les pages avec citations officielles et réduire le poids des commentaires génériques pour cette intention.
Questions fréquentes
Q: Règles ou machine learning pour tuner?
R: Les deux. Les règles sont transparentes et rapides; le ML capte des signaux complexes mais exige des données et une évaluation rigoureuse.
Q: Où trouver des opportunités rapides?
R: Dans l’analytique de recherche: requêtes sans résultat, reformulations fréquentes, faible satisfaction des clics.
Termes associés
- Recherche plein texte - scoring classique et champs
- Recherche booléenne - filtrage avant classement
- Expansion sémantique - l’expansion change le ranking
- Analytique de recherche - mesurer l’effet du tuning
- Intention de requête - tuner par intention
Références
Manning, Raghavan & Schütze (2008), Introduction to Information Retrieval.
References
Manning, Raghavan & Schütze (2008), Introduction to Information Retrieval.