論文の概要: Eliminating Search Intent Bias in Learning to Rank

• arxiv url: http://arxiv.org/abs/2002.03203v2
• Date: Tue, 11 Feb 2020 23:11:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 22:37:58.650127
• Title: Eliminating Search Intent Bias in Learning to Rank
• Title（参考訳）: ランク付け学習における検索インテントバイアスの除去
• Authors: Yingcheng Sun and Richard Kolacinski and Kenneth Loparo
• Abstract要約: ユーザ検索意図の違いがクリック行動にどのように影響するかを調べた結果,ユーザ検索意図と文書関連性との間にはバイアスがあることが判明した。 本稿では,既存のほとんどのクリックモデルに適用可能な探索意図バイアス仮説を提案する。
• 参考スコア（独自算出の注目度）: 0.32228025627337864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through data has proven to be a valuable resource for improving search-ranking quality. Search engines can easily collect click data, but biases introduced in the data can make it difficult to use the data effectively. In order to measure the effects of biases, many click models have been proposed in the literature. However, none of the models can explain the observation that users with different search intent (e.g., informational, navigational, etc.) have different click behaviors. In this paper, we study how differences in user search intent can influence click activities and determined that there exists a bias between user search intent and the relevance of the document relevance. Based on this observation, we propose a search intent bias hypothesis that can be applied to most existing click models to improve their ability to learn unbiased relevance. Experimental results demonstrate that after adopting the search intent hypothesis, click models can better interpret user clicks and substantially improve retrieval performance.
• Abstract（参考訳）: クリックスルーデータは、検索品質を向上させるための貴重なリソースであることが証明されている。 検索エンジンは簡単にクリックデータを収集できるが、データに現れるバイアスはデータの有効利用を困難にする。 バイアスの影響を測定するために,多くのクリックモデルが文献に提案されている。 しかし、どのモデルも異なる検索意図を持つユーザ(例えば、情報、ナビゲーションなど)が異なるクリック動作を持つという観察を説明できない。 本稿では,ユーザ検索意図の違いがクリック行動にどのように影響するかを調査し,ユーザ検索意図と文書との関連性の間にバイアスが存在することを確かめる。 そこで本研究では,既存のクリックモデルの多くに適用可能な検索意図バイアス仮説を提案する。 実験の結果,検索意図仮説を採用すると,クリックモデルがユーザのクリックをよりよく解釈し,検索性能が大幅に向上することが示された。

関連論文リスト

• Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance [74.43264459255121]
  現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果だけをクリックします。 本稿では,ユーザが異なる検索結果リストをクリックする確率を捉えるために,クエリレベルのクリック確率モデルを提案する。 本手法では,2次元逆重み付け機構を導入し,相対飽和度と位置偏差に対処する。
  論文  参考訳（メタデータ） (2025-02-17T03:55:51Z)
• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• An Offline Metric for the Debiasedness of Click Models [52.25681483524383]
  クリックモデルは、ユーザークリックから情報を抽出する一般的な方法である。 最近の研究は、コミュニティにおける現在の評価プラクティスが、良いパフォーマンスのクリックモデルが下流のタスクにうまく一般化することを保証できないことを示している。 クリックモデリングにおける偏りの概念を導入し,その測定基準を導出する。
  論文  参考訳（メタデータ） (2023-04-19T10:59:34Z)
• Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
  本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。 我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。 以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
  論文  参考訳（メタデータ） (2022-12-05T23:15:43Z)
• Whole Page Unbiased Learning to Rank [59.52040055543542]
  アンバイアスド・ラーニング・トゥ・ランク(ULTR)アルゴリズムは、バイアスド・クリックデータを用いたアンバイアスド・ランキングモデルを学ぶために提案される。 本稿では,BALというアルゴリズムをランク付けするバイアス非依存学習を提案する。 実世界のデータセットによる実験結果から,BALの有効性が検証された。
  論文  参考訳（メタデータ） (2022-10-19T16:53:08Z)
• Measurement and applications of position bias in a marketplace search engine [0.0]
  検索エンジンはユーザー行動に意図的に影響を与え、検索結果のリストを選別してランク付けする。 本稿では、ランキングの影響を理解するため、Thumbtackでの取り組みについて述べる。 ランキングバイアスがラベルだけでなく,モデル機能にどのように影響するか,という新たな議論も含んでいます。
  論文  参考訳（メタデータ） (2022-06-23T14:09:58Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Handling Position Bias for Unbiased Learning to Rank in Hotels Search [0.951828574518325]
  本稿では,Tripadvisor Hotelsサーチにおけるオンラインテスト環境における位置バイアスを適切に扱うことの重要性について検討する。 本稿では,ユーザの行動データを完全に活用する位置バイアスを経験的に効果的に処理する方法を提案する。 オンラインA/Bテストの結果,この手法が検索ランキングモデルの改善につながることが示された。
  論文  参考訳（メタデータ） (2020-02-28T03:48:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。