【點擊模型學習筆記】A survey on click modeling in web search_Lianghao Li_ppt

標籤：ext   strong   os   類   問題   line   

是一篇綜述性質的ppt。

主要內容：
對搜尋中的廣告點選預測，總結學術界的研究成果。
搜尋廣告主要展示位為：1. 搜尋結果頁面最上側；2. 搜尋結果右側。
研究意義：廣告點選次數直接影響收入

問題抽象：對於某個query q，和某個廣告ad，預測使用者對它們的點擊率。

具體內容：

1. 最簡單的點擊模型：通過點擊次數來預測，計算公式為
P = #count of clicks / #count of impressions(展現)
缺點：點擊受到使用者瀏覽行為的影響；對於長尾query和ad，存在冷啟動問題。

2. 點擊模型：a unified framework——實際上是把各個因素羅列出來
u -- user
q -- query
a -- ad
r -- position of ad
c -- click, 1 if a is clicked by u
L -- the impression list
S -- the click sequence
點擊模型的任務就是通過使用者的點擊日誌來預測廣告的未來點擊，形式化的說，就是在未來的展現中，計算 P(c=1| q,a,u,r,L,S)的值

3. 點擊模型的不同層次的假設
（1）unbiased hypothesis: P(c | q,a,u,r,L,S) = P(c|q,a)
（2）position bias hypothesis: P(c | q,a,u,r,L,S) = P(c|q,a,r)
（3）depend on click pattern: P(c | q,a,u,r,L,S) = P(c|q,a,r,S)
（4）depend on ad externality: P(c | q,a,u,r,L,S) = P(c|q,a,r,L)
（5）depend on user intent: P(c | q,a,u,r,L,S) = P(c|q,a,u,r)

展開來說：

3 - 1：unbiased hypothesis
點擊只和query以及廣告自身有關，不考慮任何因素

3 - 2：position bias hypothesis
examination hypothesis：將使用者的examine的過程考慮進來，將“使用者點擊”這個事件分解為兩個事件，即“使用者examine”和“使用者點擊”。在此基礎上，機率分解：
P(c|q,a,r) = P(e=1|r) * P(c=1|q,a,e=1)
其中，P(e=1|r) 表示在位置r，使用者查看（examine）的機率。可以通過跟蹤人眼盯在螢幕上的位置（熱度）來獲得；也可以通過將相同的ad放在不同的位置，來計算點擊率獲得，不過這種方法貌似代價比較大。

3 - 3：depend on click pattern
看這個ppt的感覺就是，模型越用越複雜，懷疑在實際中真的有用嗎？
cascade hypothesis(wsdm08)：是examination hypothesis的進一步深化，即在examination hypothesis的基礎上，進一步假設使用者是順序examine ad的，並把這種檢查順序放到了條件機率裡面
multiple-click model(wsdm09)：在cascade hypothesis的基礎上融合了使用者的多次點擊，隱含假設是，在一個結果清單中，使用者通常要通過多次點擊來完成需求滿足。具體做法上，對於某個ad，將使用者點擊和非點擊的機率線性插值起來，整體做法上還是類似cascade hypothesis的。
DBN(wsdm09)：套用DBN來對使用者examine和點擊進行建模
上面三種方法，實驗結果中，貌似DBN最好，不過，看到logistic作為baseline，也不差

3 - 4：depend on ad externality
這個假設，將ad列表中ad之間的關係也建模進去了，貌似更加脫離實際應用。
temporal click model(sigir09)：關鍵假設是，一個ad如果和更高品質的ad放在一起展示，那麼這個ad的點擊率會下降。用graph model來描述這種關係。
relational click predication(wsdm12)：關鍵假設，展示的ad列表，ad之間的相似程度會影響ad的點擊率。作法，將ad列表作為一個整體對待，而不是針對每個ad進行分別對待，用crf來描述。

3 - 5：depend on user intent
task centric click model(kdd11)：關鍵假設，使用者逐漸精細化的表述他的需求（通過越來越精確的query），並且傾向於點擊不在從前query中出現的文檔（新文檔）。用graph model來做的。