User-click Modelling for Predicting Purchase Intent
Faculty of Science（理学院）
本论文以机器学习方法建构使用者行为模型之开放精算数学问题，以预测非寿险产品之购买意愿。对于一家公司来说，了解用户与其网站的互动是很有价值的，因为它提供了对消费者行为的丰富和个性化的见解。大多数现有的用户行为建模研究旨在解释或预测搜索引擎结果页面上的点击或估计赞助搜索中的点击率。这些模型是基于用户的网页的检查模式和网页的项目表示的概念。调查的问题建模的用户行为预测购买意图的商业网站上，我们观察到，用户的意图产生高度依赖于用户如何导航的网站上有多少不同的网页，用户访问，什么样的网页，用户交互，以及用户花了多少时间在每个网页上。受这些发现的启发，我们提出了两种不同的方式来表示用户会话的功能，从而产生两种基于用户点击的购买预测模型：一种基于前馈神经网络，另一种基于递归神经网络。我们通过比较上述两个模型与一个使用用户人口统计特征的模型来检验用户点击预测购买意图的区分度。我们的实验结果表明，我们的点击为基础的模型显着优于人口模型，在标准的分类评估指标，和基于用户点击的顺序表示模型产生的性能略高于基于特征工程的点击模型。
2021-12-03 cs.IR cs.LG
Why Don't You Click: Neural Correlates of Non-Click Behaviors in Web Search
网络搜索在很大程度上依赖于点击行为，作为性能改进和评估的重要反馈信号。传统上，点击通常被视为相关性或有用性的正隐反馈信号，而非点击（尤其是检查后的非点击）则被视为无关性或无用性的信号。然而，在许多情况下，用户不点击任何搜索结果，但仍然通过搜索引擎结果页面（SERP）上显示的结果内容来满足他们的信息需求。这就提出了在“零点击”搜索场景中测量结果有用性和建模用户满意度的问题。以前的工作已经解决了这个问题，通过（1）检测用户满意度放弃SERP与上下文信息和（2）考虑结果级点击的必要性与外部评估员的注释。然而，很少有作品调查了非点击行为背后的原因，并估计非点击结果的有用性。这个研究问题的一个挑战是如何收集非点击结果的有价值的反馈。利用神经成像技术，我们设计了一个基于实验室的用户研究，并揭示了大脑信号的差异，同时检查了具有不同有用性水平的非点击搜索结果。在显著脑区和脑电频谱上的发现也表明，有用性判断过程可能涉及相似的认知功能，即相关感知和满意解码。受这些发现的启发，我们进行了监督学习任务，用大脑信号和常规信息（即，内容和背景因素）。结果表明，在“零点击”搜索场景下，利用脑电信号来提高有用性估计性能和增强人机交互是可行的。
2021-09-22 cs.IR cs.IT math.IT
Reweighting Clicks with Dwell Time in Recommendation
点击行为是推荐中使用最广泛的用户正反馈。然而，在训练中简单地平等地考虑每次点击可能会遭受点击诱饵和标题-内容不匹配，因此无法精确地捕获用户对项目的真正满意度。停留时间可以被看作是一个高质量的定量指标，用户的偏好，每次点击，而现有的推荐模型没有充分探索停留时间的建模。在这项工作中，我们专注于重新加权点击停留时间的建议。准确地说，我们首先定义了一个名为有效读取的新行为，它有助于通过停留时间为不同的用户和项目选择高质量的点击实例。接下来，我们提出了一个归一化的停留时间函数来重新加权点击信号的训练推荐。点击重新加权模型在现实世界的系统中实现了离线和在线评估的显着改进。
2023-02-28 cs.IR
Users' Perception of Search Engine Biases and Satisfaction
搜索引擎可能会一直倾向于某些值，而不是其他值，这被认为是由于内置的基础设施而产生的偏见。许多研究致力于从搜索引擎自身的角度来检测、控制和减轻这些偏见的影响。本研究从终端用户的角度出发，分析了他们对搜索引擎偏见的感知，以及当偏见得到规范时，他们的满意度。在这项研究中，我们将来自搜索引擎Bing的真实搜索页面与结果中具有更多差异（即较少偏见）的合成页面配对。这两个页面都显示了搜索查询的前10个搜索项，我们问参与者他们更喜欢哪一个，为什么他们更喜欢选择的那个。统计分析显示，总体而言，参与者更喜欢原始的Bing页面，并且介绍的位置也与用户的偏好有关。我们发现，用户更喜欢与搜索查询更一致和相关的结果。在一定程度上，引入不确定性破坏了搜索结果的相关性，并损害了用户的满意度。此外，我们证实，用户往往更关注结果的顶部，而不是底部。
2021-05-06 cs.IR
GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through Rate Prediction
AntGroup（蚂蚁集团）
本文提出GACE方法，通过构建融合语义和页面属性的图模型并结合变分自编码预训练，为跨页面广告生成嵌入表示，有效解决多页面数据联合使用和新广告冷启动问题，在公开及真实数据集上显著提升CTR。
2024-01-15 cs.AI cs.IR cs.LG
Behavioral On-Line Advertising
我们提出了一个新的算法的行为定向的横幅广告。我们记录不同用户的操作，如点击，搜索查询和页面浏览。我们使用收集的用户信息来实时的估计点击横幅的概率。如果一个横幅被点击的概率最高，或者它是产生最高平均利润的横幅，则会显示该横幅。
2011-01-18 cs.IR
A Novel Method to Calculate Click Through Rate for Sponsored Search
赞助搜索采用广义第二价格（GSP）拍卖机制，它的工作原理是每次点击付费的概念，这是最常用的搜索页面中的插槽分配。与GSP相关的两个主要方面是投标金额和点击率（CTR）。当前使用的CTR学习算法在点击或印象或时间的固定窗口下基于（#clicks_i/ #impressions_i）的基本原理工作。点击率很容易出现欺诈性点击，导致点击率突增。目前的算法无法找到解决方案来阻止这一点，尽管使用机器学习算法可以检测到正在生成欺诈性点击。在我们的论文中，我们使用了相对排名的概念，它基于（#clicks_i /#clicks_t）的基本原则。在该算法中，分子和分母都是链接的。由于#clicks_t高于先前的算法并且链接到#clicks_i，所以在正常情况下发生的点击的小变化在结果中具有非常小的变化，但是在欺诈性点击的情况下，点击的数量迅速增加或减少，这将与正常点击相加以增加分母，从而降低CTR。
2014-03-25 cs.IR
Semantic snippet construction for search engine results based on segment evaluation
来自搜索引擎的结果列表包括来自每个结果项的网页的链接和摘录。结果列表中的片段在帮助用户点击它方面起着至关重要的作用。本文提出了一种新的方法来构造基于页面中的片段的语义评估的片段。通过应用模型来评估页面中存在的分段并选择具有最高分数的分段来识别目标分段。该模型使得用户判断点击结果项更容易，因为片段是在基于多个因素的关键评估后语义构建的。所提出的模型的原型实现证实了经验验证。
2012-02-13 cs.IR
A Click Sequence Model for Web Search
更好地了解用户行为对于改进信息检索系统是很重要的。现有的工作集中在建模和预测单一的交互事件，如点击。在本文中，我们第一次专注于相互作用事件序列的建模和预测。尤其是，点击的序列。我们制定的点击序列预测的问题，并提出了一个点击序列模型（CSM），旨在预测用户将与搜索引擎结果进行交互的顺序。CSM基于遵循编码器-解码器架构的神经网络。编码器计算结果的上下文嵌入。解码器预测点击结果的位置序列。它使用一个注意力机制在每个时间步提取关于结果的必要信息。我们通过最大化观察到的点击序列的可能性来优化CSM的参数。我们测试CSM的有效性上三个新的任务：（i）预测点击序列，（ii）预测点击的数量，以及（iii）预测用户是否会与结果的顺序，这些结果呈现在一个搜索引擎结果页面（SERP）。此外，我们表明，CSM实现国家的最先进的结果，在一个标准的点击预测任务，其目标是预测一组无序的结果，用户将点击。
2018-05-09 cs.IR
Behavior-based evaluation of session satisfaction
如今，网络搜索在世界范围内变得越来越流行。许多研究人员和开发人员对搜索用户的行为进行了大量的研究。在实践中，对这些行为的充分认识，不仅有助于评估新开发的排序算法的有用性和搜索引擎的其他变化，而且可以指导搜索引擎的发展方向。据我们所知，过去的研究大多集中在单个搜索引擎的评价上，这在早期确实促进了搜索引擎的快速发展。然而，这些页面级别的行为是如此有限，以至于不能再对搜索引擎的微小变化给出明确的反馈。我们认为，当提供更多有关搜索会话的信息时，它将更加准确和敏感。本文提出了一种会话级评估方法。检索并仔细分析会话级功能。在评价模型中选取了反映最终满意度的线性和非线性特征。设计并训练了一个具有不同粒度的两层混合评价模型，该模型能达到较好的查准率和查全率。通过大量的实际实验进行评估，结果表明，该模型取得了更高的准确率性能比传统的页面级评估指标。此外，为了实际应用，解释每个会话的满意度判断的原因是重要的。本文提出了一个会话级的评价模型，并将其应用于搜索引擎公司的实际应用中。
2018-06-22 cs.IR
Towards End-to-End Alignment of User Satisfaction via Questionnaire in Video Recommendation
Kuaishou Technology（快手科技）
EASQ通过多任务架构和LoRA模块实现用户满意度的端到端对齐，提升推荐系统效果与稳定性。
2026-01-28 cs.IR
Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
Kuaishou Technology（快手科技）
研究短视频推荐中多目标集成排序模型因用户行为信号带来的满意度标签偏差问题，提出UAME框架，将模型预测表示为高斯评分变量，设计概率成对排序损失和加权方案减轻偏差，实验证明其能改进现有范式并与用户满意度更好对齐。
2026-07-21 cs.IR
Beyond Rankings: Exploring the Impact of SERP Features on Organic Click-through Rates
Nova School of Business and Economics（诺瓦商业与经济学院）；Universität Hamburg（汉堡大学）
本文基于覆盖40多个美国电商域名、67,000个关键词及2,400万次浏览的大规模Google SERP数据集，评估24种SERP功能对自然CTR的调节作用，并通过消融实验验证其增量预测能力。
2023-05-31 cs.IR cs.LG cs.SI
Distillation based Multi-task Learning: A Candidate Generation Model for Improving Reading Duration
在feeds推荐中，第一步是候选生成。大多数的候选生成模型都是基于点击率的估计，没有考虑用户对点击条目的满意度。具有低质量但有吸引力的标题的项目（即，点击诱饵）可以被推荐给用户，这改善了用户体验。解决这个问题的一个方法是在多任务学习（MTL）框架下同时对点击和阅读持续时间进行建模。建模中存在两个挑战。第一个是如何处理负样本的零持续时间，这并不一定表示不喜欢。第二个问题是如何在双塔结构的候选生成模型中进行多任务学习，该模型只能对一个任务进行建模。在本文中，我们提出了一种基于蒸馏的多任务学习（DMTL）方法来解决这两个挑战。我们通过考虑MTL中点击的依赖性来建模持续时间，然后通过蒸馏将从MTL教师模型中学习到的知识转移到学生候选人生成模型中。在腾讯看点推荐系统的流量日志数据集上进行的实验表明，该方法在建模时间上明显优于竞争对手，证明了该候选生成模型的有效性。
2021-02-14 cs.IR
Decision-Making Context Interaction Network for Click-Through Rate Prediction
Meituan（美团）
点击率（CTR）预测在推荐和在线广告系统中至关重要。现有的方法通常对用户行为进行建模，而忽略了影响用户做出点击决策的信息上下文，例如，点击页面和预先排名的候选人，告知有关用户兴趣的推断，导致次优性能。在本文中，我们提出了一个决策上下文交互网络（DCIN），它部署了一个精心设计的上下文交互单元（CIU）来学习决策上下文，从而有利于CTR预测。此外，不同的决策上下文源之间的关系进行了探索，提出了自适应兴趣聚合单元（AIAU），以进一步提高CTR预测。在公共数据集和工业数据集上的实验中，DCIN显著优于最先进的方法。值得注意的是，该模型在线A/B测试获得了CTR+2. 9%/CPM+2. 1%/GMV+1. 5%的提升，并服务于美团外卖广告系统的主要流量。
2023-01-29 cs.IR cs.LG
Sequential Click Prediction for Sponsored Search with Recurrent Neural Networks
Fudan University（复旦大学）；Nankai University（南开大学）；Tsinghua University（清华大学）；Microsoft Research（微软研究院）
点击预测是赞助搜索的基本问题之一。大多数现有的研究利用机器学习方法来独立地预测广告观看的每个事件的广告点击。然而，在现实世界的赞助搜索系统中观察到，用户的行为对广告产生很高的依赖性，用户的行为如何随着过去的时间，特别是在什么查询，她提交了，什么广告，她点击或忽略，以及她花了多长时间点击广告的着陆页，等等。受这些观察的启发，我们引入了一个新的框架，基于循环神经网络（RNN）。与传统的方法相比，该框架通过RNN的递归结构，直接将用户顺序行为的依赖性建模到点击预测过程中。商业搜索引擎的点击日志的大规模评估表明，我们的方法可以显着提高点击预测精度相比，序列无关的方法。
2014-07-28 cs.IR cs.LG cs.NE
Design and Evaluation of Whole-Page Experience Optimization for E-commerce Search
Amazon（亚马逊公司）；Roblox Corporation（Roblox公司）
本文提出了一种全页体验优化框架，通过建模项目相关性、布局和视觉元素之间的相互作用，提升电子商务搜索结果页面的长期用户满意度和品牌相关性。
2026-01-23 cs.IR cs.LG
Whole Page Unbiased Learning to Rank
Michigan State University（密歇根州立大学）；Wuhan University（武汉大学）；Carnegie Mellon University（卡内基梅隆大学）；Baidu Inc.（百度公司）；Wilfrid Laurier University（威尔弗里德劳里埃大学）
本文提出整页无偏排序学习问题 WP-ULTR，并用基于因果发现的 BAL 算法同时建模并缓解搜索结果页多种呈现特征导致的点击偏差。
2024-06-13 cs.AI cs.IR
An Empirical Investigation On Search Engine Ad Disclosure
这项针对德国搜索引擎用户（N = 1,000）的代表性研究重点关注用户区分Google结果页面上的自然结果和广告的能力。我们将有关Google业务的问题与基于任务的研究相结合，在这些研究中，用户被要求在结果页面的屏幕截图中区分广告和自然结果。我们发现，只有一小部分用户能够可靠地区分广告和自然结果，并且用户对Google商业模式的了解非常有限。我们的结论是，广告的标签不够，许多用户可能会点击广告，假设他们选择有机的结果。
2017-10-23 cs.IR
Session-level Normalization and Click-through Data Enhancement for Session-based Evaluation
本文针对会话级搜索评估中查询顺序固定及点击反馈不完整的问题，提出 Normalized U-Measure（NUM），利用理想会话归一化并增强点击数据推断相关性，实验验证其有效性。
2024-01-23 cs.IR
Multi-Channel Sequential Behavior Networks for User Modeling in Online Advertising
Microsoft Bing Ads（微软必应广告）
多个内容提供方通过在其页面的有机内容中放置广告来依赖原生广告获得收入。我们将此设置称为“无查询”，以区别于用户提交搜索查询并返回相关广告的搜索广告。了解用户意图至关重要，因为相关广告可以改善用户体验，并增加为广告商提供有价值点击的可能性。本文提出了多通道顺序行为网络（MC-SBN），这是一种深度学习方法，用于将用户和广告嵌入到可以评估相关性的语义空间中。我们提出的用户编码器架构总结用户活动从多个输入通道-如以前的搜索查询，访问过的页面，或点击广告-到一个用户向量。它使用多个RNN来编码来自不同通道的事件会话序列，然后应用注意力机制来创建用户表示。我们的方法的一个关键属性是，用户向量可以保持和更新增量，这使得它可以部署为大规模的服务。我们在真实世界的数据集上进行了广泛的实验。实验结果表明，MC-SBN可以提高相关广告的排名，并在无查询原生广告设置中提高点击预测和转化预测的性能。
2020-12-27 cs.IR cs.LG
A Study of Context Dependencies in Multi-page Product Search
在产品搜索中，用户倾向于在多个搜索结果页面（SERP）上浏览结果（例如，查询衣服和鞋子），然后再决定购买哪一项。用户的点击可以被认为是隐式反馈，其指示他们的偏好并用于对后续的SERP进行重新排名。通常涉及相关反馈（RF）技术来处理这样的场景。然而，这些方法是专为文档检索，其中相关性是最重要的标准。相比之下，产品搜索引擎需要检索的项目不仅是相关的，而且在客户的喜好方面令人满意。基于用户购买历史的个性化已被证明是有效的产品搜索。然而，这种方法捕捉用户的长期兴趣，这并不总是与他们的短期兴趣相一致，并且不会使很少或没有购买历史的客户受益。在本文中，我们研究RF技术的基础上，长期和短期的上下文依赖性在多页产品搜索。我们还提出了一个端到端的上下文感知嵌入模型，可以捕获这两种类型的上下文。我们的实验结果表明，短期的上下文导致更好的性能相比，长期和没有上下文。此外，我们提出的模型比最先进的基于单词的RF模型更有效。
2020-01-09 cs.IR
Constructing an Interaction Behavior Model for Web Image Search
用户交互行为是一个有价值的来源隐式相关反馈。在Web图像搜索中，与一般的Web搜索相比，使用了不同类型的搜索结果呈现，这导致了不同的交互机制和用户行为。例如，图像搜索结果是自包含的，因此用户不需要像在一般Web搜索中那样点击结果来查看着陆页，这会生成稀疏的点击数据。此外，二维结果放置而不是线性结果列表使浏览行为更加复杂。因此，很难应用标准的用户行为模型（例如，点击模型）开发的一般Web搜索到Web图像搜索。在本文中，我们使用基于实验室的用户研究数据以及来自商业搜索日志的数据进行全面的图像搜索用户行为分析。然后，我们提出了一种新的交互行为模型，称为基于网格的用户浏览模型（GUBM），其设计的动机是从我们的数据分析观察。GUBM既可以捕捉用户的交互行为，包括光标悬停，又可以减轻位置偏差。GUBM的优点有两个方面：（1）它基于无监督学习方法，不需要手动标注数据进行训练。(2)它基于搜索引擎结果页面（SERP）上的用户交互功能，并且可以轻松地转移到具有基于网格的界面的其他场景，例如视频搜索引擎。我们进行了大量的实验，以测试我们的模型使用大规模的商业图像搜索日志的性能。实验结果表明，在行为预测（困惑），主题相关性和图像质量（归一化折扣累积增益（NDCG）），GUBM优于最先进的基线模型以及原始排名。我们公开了GUBM和相关数据集的实施情况，以供未来的研究使用。
2018-05-08 cs.IR
Timely crawling of high-quality ephemeral new content
如今，越来越多的人使用网络作为他们的最新信息的主要来源。在这种情况下，快速抓取和索引新创建的网页已经成为搜索引擎的关键，特别是因为用户流量的显着部分，这些新的网页（如新闻，博客和论坛帖子）增长真的很快，他们出现后，但只持续了几天。在本文中，我们研究的问题，及时发现和抓取这样短暂的新页面（在用户的兴趣）。传统的抓取策略并不给予这些页面任何特定的优先级，因此可能无法足够快地抓取它们，甚至抓取已经过时的内容。因此，我们提出了一个新的度量，经过深思熟虑的这项任务，它考虑到随着时间的推移，用户的兴趣减少短暂的页面。我们发现，大多数短暂的新页面可以在一个相对较小的一组内容源，并提出了一个程序，找到这样一个集合。我们的想法是定期重新抓取内容源并抓取从它们链接的新创建的页面，专注于高质量（就用户兴趣而言）的内容。这方面的主要困难之一是如何有效地在这两项活动之间分配资源。我们找到了自适应的平衡之间的爬行和rerawls通过最大化建议的度量。此外，我们将搜索引擎点击日志，让我们的爬虫了解当前用户的需求。我们的方法的效率，最后证明了实验上的真实世界的数据。
2013-07-24 cs.IR
Auditing the Grid-Based Placement of Private Label Products on E-commerce Search Result Pages
本文审计了印度两大电商平台Amazon.in和Flipkart搜索结果页上自有品牌产品的网格放置位置，发现其推广策略符合用户注意力分布模式，并通过68人调查验证了点击行为偏好。
2024-07-19 cs.CY cs.HC cs.IR
Beyond the Click: A Framework for Inferring Cognitive Traces in Search
University of Passau（帕绍大学）；Interdisciplinary Transformation University Austria（奥地利跨学科转型大学）
本文提出一种基于信息觅食理论的框架，通过标注公开数据集生成认知标签，验证认知轨迹在行为特征薄弱时的显著提升效果，并开源工具和代码以支持未来认知感知用户模拟研究。
2026-03-28 cs.HC cs.IR
Learning from User Interactions with Rankings: A Unification of the Field
排名系统构成了在线搜索引擎和推荐服务的基础。它们处理大量的项目，例如网页或电子商务产品，并向用户呈现一个小的有序选择。排名系统的目标是帮助用户以最少的努力找到他们正在寻找的项目。因此，它们产生的排名应该将最相关或最受欢迎的项目放在排名的顶部。学习排序是机器学习中的一个领域，其涵盖了优化排序系统的方法。这个目标传统的监督学习排序方法利用专家判断进行评价和学习，然而，在许多情况下，这样的判断是不可能或不可行的。作为解决方案，已经引入了替代地基于用户点击来执行学习排序的方法。点击的困难在于，它们不仅受到用户偏好的影响，还受到显示的排名的影响。因此，这些方法必须防止被用户偏好之外的其他因素所偏置。本论文主要研究基于用户点击的学习排序方法，旨在统一不同的排序方法。作为一个整体，本文的第二部分提出了一个框架，弥合了在线，反事实和监督学习排序领域之间的许多差距。它采用了以前被认为是独立的方法，并将它们统一为一种方法，用于广泛适用和有效的学习排序。
2020-12-09 cs.IR
Ranking Pages by Topology and Popularity within Web Sites
我们比较了两种链接分析排名方法的网页在一个网站。第一种称为网站排名，是PageRank对网站粒度的适应，第二种称为流行度排名，是基于用户点击页面中的外链的频率，这些外链由用户通过网站的导航会话捕获。我们在人工创建的不同规模的网站和两个真实的数据集上进行了实验，采用相对熵来比较两种排名方法的分布。对于真实的数据集，我们还采用了非参数测量，称为斯皮尔曼的footrule，我们用它来比较排名前十的网页由两种方法。我们的主要结果是，受欢迎程度排名和网站排名的分布是令人惊讶的接近彼此，这意味着一个网站的拓扑结构是非常有用的，在引导用户通过网站。因此，在实践中，网站排名提供了一个合理的一阶近似的用户在网站内的总体行为，由流行度排名。
2004-12-09 cs.AI cs.IR
AllSERP: Exhaustive Per-Element Enrichment of the Versatile AdSERP Dataset
本文提出AllSERP，通过类型化AOI和每个元素行为增强，扩展了AdSERP商业意图SERP语料库，实现了对点击、注视、回归和上文分析的全面支持。
2026-10-27 cs.IR
Query Abandonment Prediction with Recurrent Neural Models of Mouse Cursor Movements
Aalto University（阿尔托大学）；Telefonica Research（西班牙电信研究院）
如果用户可以直接在SERP上满足他们的信息需求，大多数成功的搜索查询不会导致点击。在没有点击数据的情况下对查询放弃进行建模是具有挑战性的，因为搜索引擎必须依赖于其他行为信号来理解潜在的搜索意图。我们表明，鼠标光标的移动是一种有价值的、低成本的行为信号，可以区分好的和坏的放弃。我们使用递归神经网络对SERP上的鼠标运动进行建模，并探索了几种不依赖于昂贵的手工制作功能且不依赖于特定SERP结构的数据表示。我们还尝试了数据恢复和增强技术，我们采用的顺序数据。我们的研究结果可以帮助搜索提供商衡量用户的满意度查询没有点击，并最终有助于更好地了解搜索引擎的性能。
2021-01-22 cs.HC cs.IR cs.LG
Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）；Zhejiang University（浙江大学）
在许多经典的电子商务平台中，个性化推荐已经被证明具有巨大的商业价值，可以提高用户满意度，增加平台的收入。在本文中，我们提出了一个新的推荐问题，触发诱导推荐（TIR），其中用户的即时兴趣可以显式地诱导与触发项目和后续相关的目标项目相应的推荐。TIR在电子商务平台上已经变得无处不在和流行。在本文中，我们指出，虽然现有的推荐模型是有效的，在传统的推荐场景中挖掘用户的兴趣基于他们的大量历史行为，他们是困难的，发现用户的即时兴趣在TIR场景中，由于这些场景之间的差异，导致性能较差。为了解决这个问题，我们提出了一种新的推荐方法命名为深度兴趣突出网络（DIHN）的点击率（CTR）预测TIR场景。它由三个主要部分组成：1）用户意图网络（UIN），它响应于用户意图生成一个精确的概率分数来预测用户对触发项的意图; 2）融合嵌入模块（FEM），它根据UIN的预测自适应地融合触发项和目标项嵌入;（3）混合兴趣提取模块（HIEM），该模块根据FEM的结果，有效地从用户的行为中突出用户的即时兴趣。在真实世界的电子商务平台上进行的广泛的离线和在线评估证明了DIHN优于最先进的方法。
2022-02-21 cs.IR cs.LG
Multi-Task Fusion via Reinforcement Learning for Long-Term User Satisfaction in Recommender Systems
Tencent Inc.（腾讯公司）
推荐系统（RS）是一个重要的在线应用，每天影响着数十亿用户。主流的RS排名框架由两部分组成：多任务学习模型（MTL），预测各种用户反馈，即，点击、喜欢、分享，以及多任务融合模型（MTF），其将多任务输出组合成关于用户满意度的一个最终排名分数。融合模型作为排名的最后一个关键环节，对最终推荐结果有着重要的影响，但目前对融合模型的研究还不多。为了优化长期的用户满意度，而不是获得即时回报greenly，我们制定MTF任务的马尔可夫决策过程（MDP）在一个推荐会话，并提出了一个批处理强化学习（RL）的多任务融合框架（BatchRL-MTF），其中包括一个批处理RL框架和在线探索。前者利用Batch RL离线从固定的批量数据中学习最优推荐策略，以获得长期的用户满意度，而后者则在线探索潜在的高价值行动，以突破局部最优困境。在对用户行为进行全面调查的基础上，从用户粘性和用户活跃度两个方面对用户满意度进行精细化建模。最后，我们进行了广泛的实验上的十亿样本水平的真实世界的数据集，以显示我们的模型的有效性。我们提出了一个保守的离线策略估计（保守OPEstimulus）离线测试我们的模型。此外，我们在一个真实的推荐环境中进行了在线实验，以比较不同模型的性能。作为少数成功应用于MTF任务的Batch RL研究之一，我们的模型也已部署在大型工业短视频平台上，服务于数亿用户。
2022-08-10 cs.AI cs.IR
Multi-Scale User Behavior Network for Entire Space Multi-Task Learning
对用户的多种行为进行建模是现代电子商务的重要组成部分，其广泛采用的应用是联合优化点击率（CTR）和转化率（CVR）预测。大多数现有方法忽略了用户行为的两个关键特征的影响：对于每个项目列表，（i）上下文依赖性是指用户对任何项目的行为不仅仅由项目本身决定，而且还受到用户先前行为的影响（例如，点击，购买）在其他项目在相同的序列;（ii）多个时间尺度意味着用户很可能经常点击，但定期购买。为此，我们开发了一个新的多尺度用户行为网络命名为分层rE当前排名的整个空间（HEROES），它结合了上下文信息来估计用户的多个行为在多尺度的方式。具体地说，我们引入了一个分层的框架，其中较低的层模型的用户的参与行为，而上层估计用户的满意度行为。所提出的架构可以自动学习一个合适的时间尺度为每一层捕捉动态用户的行为模式。除了该体系结构，我们还引入了霍克斯过程，形成一个新的循环单元，它不仅可以编码项目的上下文的功能，但也制定了激励或劝阻用户以前的行为。我们进一步表明，HEROES可以扩展到建立无偏的排名系统，通过与生存分析技术相结合。在三个大规模工业数据集上进行的实验表明，与现有方法相比，该模型具有优越性。
2022-08-16 cs.IR
Improving Legal Case Retrieval with Brain Signals
本文针对法律案例检索中传统反馈信号粗糙且无效的挑战，提出利用脑机接口收集的EEG脑信号构建相关性反馈框架，通过提取有效特征并结合SVM-RFE模型实现71%预测准确率，显著提升了重排序结果的用户满意度。
2024-03-20 cs.IR
MTRec: Learning to Align with User Preferences via Mental Reward Models
School of Software Engineering, South China University of Technology（华南理工大学软件学院）；School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；Huawei Noah’s Ark Lab（华为诺亚实验室）；Nanyang Technological University（南洋理工大学）
针对隐式反馈易误导推荐系统的问题，提出新型序列推荐框架MTRec，通过分布逆强化学习学习心理奖励模型以量化用户真实满意度，在多种模型上效果显著，工业部署使用户平均观看时长提升7%。
2025-10-03 cs.AI cs.IR
Non-Linear Multiple Field Interactions Neural Document Ranking
University of Bristol（布里斯托尔大学）；Cookpad Ltd（Cookpad有限公司）
排名任务通常基于页面主体的文本和用户在页面上的操作（点击）。还有其他元素可以被利用来更好地将排名体验置于情境中（例如，其他字段中的文本、用户进行的查询、图像等）。我们提出了一个领域的相互作用，在两个独立的数据集的多个领域的排名的第一次深入分析。虽然有些作品已经利用了完整的文档结构，但有些方面仍然没有探索。在这项工作中，我们建立在以前的分析，以显示查询字段的相互作用，非线性字段的相互作用，以及底层神经模型的架构如何影响性能。
2020-11-18 cs.AI cs.IR
A Price-Per-Attention Auction Scheme Using Mouse Cursor Information
在线广告拍卖中的付款通常来自点击率，因此广告商不会为无效广告付费。但广告商通常关心的不仅仅是点击量。也就是说，例如，如果他们的目标是提高品牌知名度或知名度。因此，有机会设计一个更有效的广告定价模式，只有在广告被真正注意到的情况下才支付广告费。本文提出了一种新的拍卖格式的基础上按次付费（PPA）计划。我们发现，PPA拍卖继承了理想的属性（防策略和效率），其按印象付费和按点击付费的同行，它也比较有利的收入。为了使PPA格式可行，我们还提供了一种可扩展的诊断技术，仅使用原始鼠标光标坐标来预测用户对赞助搜索中广告的关注，而不管页面内容和结构如何。我们使用用户注意力预测的数值模拟来评估PPA拍卖计划。我们的研究结果表明，在相关的经济环境中，PPA的收入将严格高于现有的拍卖支付计划。
2020-01-21 cs.GT cs.IR
Ranking Heterogeneous Search Result Pages using the Interactive Probability Ranking Principle
本文比较PRP与iPRP在异构搜索结果页面中的排序差异，发现iPRP通过期望感知效用使排序变化高达48%，建议采用iPRP实现以用户为中心的自适应排序。
2024-01-16 cs.IR
The Influence of Presentation and Performance on User Satisfaction
本文通过受试者间实验研究查询性能、结果呈现方式与用户满意度的关系，发现nDCG在查询层面预测满意度但无线性关系，而特定结果卡片布局能显著影响满意度，并证明可通过改变呈现方式平衡不同性能查询的用户满意度。
2024-01-30 cs.HC cs.IR
Interactions with Generative Information Retrieval Systems
本文探讨生成式信息检索系统的交互机制，涵盖用户表达、反馈、结果细化、混合主动交互、主动系统及多模态交互，并介绍相关UI框架。
2024-07-16 cs.IR
Improved Adaboost Algorithm for Web Advertisement Click Prediction Based on Long Short-Term Memory Networks
Georgia Institute of Technology（佐治亚理工学院）；Northeastern University（东北大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Tokyo（东京大学）
针对网页广告点击预测问题，提出基于LSTM的改进Adaboost算法，准确率达92%，多指标优于传统模型，泛化能力强，可应用于实际场景。
2024-08-08 cs.AI cs.IR cs.LG
MIMICS: A Large-Scale Data Collection for Search Clarification
Microsoft（微软）；Facebook Inc.（脸书公司）
近年来，搜索澄清技术在搜索引擎中的应用引起了人们的广泛关注。它也被认为是会话信息搜索系统的主要组成部分。尽管它的重要性，研究界仍然感到缺乏一个大规模的数据来研究不同方面的搜索澄清。在本文中，我们介绍MIMICS，收集的搜索澄清数据集的真实网络搜索查询抽样必应查询日志。MIMICS中的每个澄清都是由Bing生成算法生成的，由一个澄清问题和最多五个候选答案组成。MIMICS包含三个数据集：（1）MIMICS-Click包括超过400 k个唯一查询、其相关联的澄清窗格以及对应的聚合的用户交互信号（即，点击）。(2)MIMICS-ClickExplore是一个探索数据，包括超过60 k个独特查询的聚合用户交互信号，每个查询都有多个澄清窗格。(3)MIMICS-Manual包含超过2000个独特的真实搜索查询。该数据集中的每个查询澄清对都由至少三个经过训练的注释器手动标记。它包含澄清问题、候选答案集和每个候选答案的着陆结果页面的分级质量标签。MIMICS公开用于研究目的，因此使研究人员能够研究与搜索澄清相关的许多任务，包括澄清生成和选择，澄清的用户参与预测，澄清的点击模型，以及分析用户与搜索澄清的交互。
2020-06-17 cs.CL cs.IR cs.LG
EXS: Explainable Search Using Local Model Agnostic Interpretability
信息检索中的检索模型用于为通常未指定的查询对文档进行排序。如今，机器学习用于从点击日志和/或相关性判断中学习检索模型，以最大化与用户满意度相关的目标。随着这些模型变得越来越强大和复杂，它们也变得越来越难以理解。因此，很难从复杂的训练模型（如神经排名器）中识别训练中的伪影，数据特定的偏见和意图，即使纯粹是在文本特征上训练。EXS是一个专门设计的搜索系统，为用户提供以下问题的洞察力：“根据排名，查询的意图是什么？”'，'为什么这份文件的排名比另一份高？“和”为什么这份文件与查询有关？'. EXS使用了一种流行的分类器事后解释方法-- LIME，专门用于回答这些问题。我们展示了这样一个系统如何有效地帮助用户理解神经排名的结果，并突出显示改进的领域。
2018-09-11 cs.IR
Intelligent Search Optimization using Artificial Fuzzy Logics
School of Computing, Engineering and Information Sciences（计算、工程与信息科学学院）
网络上的信息是惊人的，搜索相关信息是困难的，使得网络用户依赖于搜索引擎在网络上找到相关信息。搜索引擎使用爬虫根据网页的内容对网页进行索引和分类，并相应地对网页进行排名。对于给定的用户查询，他们检索数以百万计的网页，并显示他们的用户根据网页排名。每个搜索引擎都有自己的算法，根据一定的参数排名网页。搜索引擎优化（SEO）是网站管理员根据搜索引擎排名参数优化网站以提高网站排名的技术。这是本研究的目的，以确定最流行的搜索引擎优化技术所使用的搜索引擎排名网页，并建立其索引和分类的网络数据的重要性。该研究试图建立在排名算法中使用更多的SEO参数有助于检索更好的搜索结果，从而提高用户满意度。在已完成的研究中，提出了一个基于Web的Meta搜索引擎聚合搜索结果从不同的搜索引擎和排名的网页基于新的页面排名算法，将分配启发式页面排名的网页的基础上SEO参数，如标题标签，Meta描述，网站地图等的研究还提供了深入了解技术，网站管理员可以使用更好地排名他们的网站在谷歌和必应。初步结果表明，在目前的排名算法中使用某些SEO参数有助于检索更有用的结果，为用户查询。这些结果产生的Meta搜索引擎优于现有的搜索引擎更好的检索结果和高精度。
2015-10-03 cs.AI cs.IR
Predicting Session Length in Media Streaming
RISE SICS（瑞典计算机科学研究院）；Pandora Media Inc.（潘多拉媒体公司）
会话长度是确定用户对媒体流服务的满意度的一个非常重要的方面。能够预测会话将持续多长时间对于各种下游任务（例如推荐和广告调度）非常有用。大多数关于用户交互持续时间的相关文献都集中在网站的停留时间上，通常是在搜索结果或显示广告中近似的点击后满意度的背景下。在这项工作中，我们提出了第一个分析的会话长度在移动为重点的在线服务，使用现实世界的数据集，从一个主要的音乐流媒体服务。我们使用生存分析技术表明，用户之间的长度分布的特征可以显着不同，并使用梯度提升树与适当的目标，预测会话的长度，仅使用在其开始时可用的信息。我们对真实世界数据的评估表明，我们提出的技术优于所考虑的基线。
2017-08-01 cs.IR cs.LG
Interactions between Health Searchers and Search Engines
Web是了解和诊断医疗状况的重要资源。基于对在线内容的接触，人们可能会产生不必要的健康担忧，认为常见和良性症状可以用严重疾病来解释。在本文中，我们调查潜在的策略，挖掘查询和搜索历史的线索，可以帮助搜索引擎选择最合适的信息，以响应探索性的医疗查询。为此，我们使用流行的搜索引擎的日志对健康搜索行为进行了纵向研究。我们发现，可能看起来无害的查询变化（例如“严重头痛”与“严重头痛”）可能包含有价值的信息，这些信息可以被搜索引擎用来提高性能。此外，我们调查了医疗方面的用户如何不同的反应搜索引擎结果页面（SERP），并发现他们的处置点击有关的网页是明显的，可能会导致自我强化的关注。最后，我们研究了SERP的变化在多大程度上影响了未来的搜索和现实世界的健康寻求行为，并获得了一些令人惊讶的结果（例如，查看相关页面可能导致现实世界健康寻求的短期减少）。
2017-12-11 cs.HC cs.IR
Credibility in Web Search Engines
网络搜索引擎应用各种排名信号来实现用户满意度，即，为用户提供最佳结果的结果页面。虽然这些排名信号隐含地考虑了可信度（例如，通过衡量受欢迎程度），没有采用明确的可信度衡量标准。在这一章中，在Web搜索引擎的可信度进行了讨论，在一个广泛的背景下：可信度作为一个措施，包括在搜索引擎的索引文件，作为一个排名信号的可信度，在通用搜索结果的上下文中的可信度，以及使用可信度作为一个明确的衡量排名的目的的可能性。据发现，虽然搜索引擎-至少在一定程度上-显示可信的结果，他们的用户，有没有完全集成的可信度框架的Web搜索引擎。
2012-08-05 cs.IR
CaliCausalRank: Calibrated Multi-Objective Ad Ranking with Robust Counterfactual Utility Optimization
Columbia University（哥伦比亚大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）；Trine University（特莱恩大学）；University of Michigan（密歇根大学）
CaliCausalRank通过整合训练时的尺度校准、约束多目标优化和鲁棒反事实效用估计，提升了广告排序的多目标优化性能。
2026-02-21 cs.IR cs.LG
A Real-Time Whole Page Personalization Framework for E-Commerce
Walmart Labs（沃尔玛实验室）
电子商业平台始终致力于提供个性化推荐，以推动用户参与，增强整体用户体验，并改善业务指标。大多数电子商业平台在其主页上包含多个旋转木马，每个旋转木马都试图捕捉购物体验的不同方面。考虑到不同的用户偏好，优化这些转盘的放置对于提高用户满意度至关重要。此外，轮播内的项目可以基于顺序的用户动作动态地改变，因此需要轮播的在线排名。在这项工作中，我们提出了一个可扩展的端到端的生产系统，以最佳的排名项目carousels在实时的【形】沃尔玛在线杂货主页。所提出的系统利用了一种新的模型，捕捉用户的亲和力不同的旋转木马和他们的可能性与以前看不见的项目进行交互。我们的系统是灵活的设计，很容易扩展到设置页面组件需要排名。我们提供了一个模型开发阶段和一个在线推理框架组成的系统架构。为了确保低延迟，在这些阶段实施了各种优化。我们进行了广泛的在线评估，以对照以往的经验。在生产中，我们的系统改善了项目发现，增加了在线参与度，并显着提升了主页上每位访问者的添加到购物车（ATC）。
2020-12-08 cs.IR cs.LG
KLAN: Kuaishou Landing-page Adaptive Navigator
Duke University（杜克大学）
KLAN通过分层框架实现个性化落地页导航，提升用户活跃度和满意度。
2026-01-14 cs.AI cs.IR
Reinforce Lifelong Interaction Value of User-Author Pairs for Large-Scale Recommendation Systems
本文提出RLIV-UA模型，通过稀疏跨请求互动MDP、相邻状态近似和多任务评论家学习，强化用户-作者对的终身互动价值，在离线与在线实验中同时提升用户满意度和平台收益。
2025-09-19 cs.IR
Finding Average Regret Ratio Minimizing Set in Database
Hong Kong University of Science and Technology（香港科技大学）
从数据库中选择一定数量的数据点（或记录），“最好”满足用户的期望是一个非常普遍的问题，许多应用程序。一个应用程序是一个酒店预订网站，在单个页面上显示一定数量的酒店。然而，这个问题是非常具有挑战性的，因为所选择的点应该“集体地”满足所有用户的期望。向单个用户显示一定数量的数据点可能会降低用户的满意度，因为用户可能无法看到他/她最喜欢的点，而这些点可以在原始数据库中找到。在本文中，我们希望找到一组k点，使得平均而言，用户的满意度（比率）最大化。该问题考虑了用户的概率分布，考虑了所有用户的满意度（比率），这在实践中更合理，相比之下，现有的研究只考虑用户的最坏情况满意度（比率），这可能无法反映整个人口，在某些应用中没有用处。受此启发，在本文中，我们提出了这个问题的算法。最后通过实验验证了算法的有效性和效率。
2018-10-18 cs.DB cs.IR cs.LG
Decoy Effect in Search Interaction: A Pilot Study
本研究探讨文档级诱饵效应对搜索引擎结果页用户交互行为的影响，发现关联诱饵能提高文档被点击概率及有用性得分。
2023-11-04 cs.HC cs.IR
Smart E-commerce Recommendations with Semantic AI
针对电商页面推荐难以满足用户需求的问题，提出结合语义网络挖掘与BP神经网络的方案，提取五类用户特征实现页面排序推荐，提升了推荐准确率与效率，可扩展应对现代电商挑战。
2024-09-11 cs.AI cs.IR cs.LG
