論文の概要: Query Abandonment Prediction with Recurrent Neural Models of Mouse Cursor Movements

• arxiv url: http://arxiv.org/abs/2101.09066v1
• Date: Fri, 22 Jan 2021 11:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 17:13:24.707686
• Title: Query Abandonment Prediction with Recurrent Neural Models of Mouse Cursor Movements
• Title（参考訳）: マウスカーソル運動の繰り返しニューラルモデルを用いた問合せ解除予測
• Authors: Lukas Br\"uckner and Ioannis Arapakis and Luis A. Leiva
• Abstract要約: マウスのカーソル運動は,良し悪しの放棄を識別する価値のある,低コストな行動信号となる。 検索結果は、クリックせずにクエリに対するユーザの満足度を判断し、最終的に検索エンジンのパフォーマンスをよりよく理解するのに役立ちます。
• 参考スコア（独自算出の注目度）: 10.088906689243768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most successful search queries do not result in a click if the user can satisfy their information needs directly on the SERP. Modeling query abandonment in the absence of click-through data is challenging because search engines must rely on other behavioral signals to understand the underlying search intent. We show that mouse cursor movements make a valuable, low-cost behavioral signal that can discriminate good and bad abandonment. We model mouse movements on SERPs using recurrent neural nets and explore several data representations that do not rely on expensive hand-crafted features and do not depend on a particular SERP structure. We also experiment with data resampling and augmentation techniques that we adopt for sequential data. Our results can help search providers to gauge user satisfaction for queries without clicks and ultimately contribute to a better understanding of search engine performance.
• Abstract（参考訳）: 最も成功した検索クエリは、ユーザーが直接serpで必要な情報を満たせるような場合、クリックしない。 クリックスルーデータがない場合のクエリ放棄のモデル化は、検索エンジンが基礎となる検索意図を理解するために他の行動信号に依存する必要があるため、難しい。 マウスのカーソル運動は, 良質かつ悪質な放棄を識別できる, 安価な行動信号であることを示す。 我々は、繰り返しニューラルネットワークを用いてSERP上でのマウスの動きをモデル化し、高価な手作り機能に依存しず、特定のSERP構造に依存しない複数のデータ表現を探索する。 また、シーケンシャルデータに採用するデータ再サンプリングおよび拡張技術についても実験を行った。 検索結果は、クリックせずにクエリに対するユーザの満足度を判断し、最終的に検索エンジンのパフォーマンスをよりよく理解するのに役立ちます。

関連論文リスト

• CLARINET: Augmenting Language Models to Ask Clarification Questions for Retrieval [52.134133938779776]
  CLARINETは,回答が正しい候補の確実性を最大化する質問を選択することで,情報的明確化を問うシステムである。 提案手法は,大規模言語モデル(LLM)を検索分布の条件付きで拡張し,各ターンで真の候補のランクを最大化する問題を生成する。
  論文  参考訳（メタデータ） (2024-04-28T18:21:31Z)
• 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)
• Behavior Retrieval: Few-Shot Imitation Learning by Querying Unlabeled Datasets [73.2096288987301]
  オフラインでラベル付けされていないデータセットから、少量のダウンストリーム専門家データを用いて、関連する振る舞いを選択的にクエリする簡単なアプローチを提案する。 提案手法では,タスクへの関連する遷移のみを問合せし,サブ最適データやタスク非関連データをフィルタリングする。 我々の単純なクエリ手法は、画像からシミュレーションされた実際のロボット操作タスクに対して、より複雑な目標条件の手法よりも20%優れています。
  論文  参考訳（メタデータ） (2023-04-18T05:42:53Z)
• 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)
• PROMISSING: Pruning Missing Values in Neural Networks [0.0]
  本稿では,ニューラルネットワークの学習と推論の段階において,欠落値(PROMISSing)を抽出する,シンプルで直感的かつ効果的な手法を提案する。 実験の結果, ProMISSing は様々な計算手法と比較して予測性能が良くなることがわかった。
  論文  参考訳（メタデータ） (2022-06-03T15:37:27Z)
• Graph Enhanced BERT for Query Understanding [55.90334539898102]
  クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。 近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。 本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-03T16:50:30Z)
• Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
  本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。 提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。 実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
  論文  参考訳（メタデータ） (2020-06-13T07:02:08Z)
• Learning Efficient Representations of Mouse Movements to Predict User Attention [12.259552039796027]
  本研究では,時系列,熱マップ,軌跡に基づく画像など,マウスのカーソル運動の異なる表現について検討する。 私たちは、ユーザの注意をディスプレイに直接向けられるように、リカレントニューラルネットワークと畳み込みニューラルネットワークの両方を構築し、コントラストします。 我々のモデルは生のマウスカーソルデータに基づいて訓練され、競争力を発揮する。
  論文  参考訳（メタデータ） (2020-05-30T09:52:26Z)
• Eliminating Search Intent Bias in Learning to Rank [0.32228025627337864]
  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。
  論文  参考訳（メタデータ） (2020-02-08T17:07:37Z)
• Modeling Information Need of Users in Search Sessions [5.172625611483604]
  本稿では,ユーザによって発行された過去のクエリの集合を利用するシーケンス・ツー・シーケンス・ベース・ニューラルアーキテクチャを提案する。 まず、我々のモデルを用いて、現在のクエリで重要で、次のクエリに保持される単語を予測する。 情報収集の直感的な戦略は,2つの大規模リアルタイム検索ログデータセットにおいて,これらのタスクにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-01-03T15:25:45Z)

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。