Um Modelo Neural de Clique para Busca na Web

Entender o comportamento de navegação do usuário na busca na web é essencial para melhorar a eficácia da busca. Muitos modelos de clique foram propostos para explicar ou prever os cliques dos usuários nos resultados dos motores de busca. Eles são baseados na estrutura do modelo gráfico probabilístico (PGM), na qual o comportamento do usuário é representado como uma sequência de eventos observáveis e ocultos. A estrutura PGM fornece uma maneira matematicamente sólida de raciocinar sobre um conjunto de eventos dado alguma informação sobre outros eventos. Mas a estrutura das dependências entre os eventos deve ser definida manualmente. Diferentes modelos de clique usam diferentes conjuntos de dependências elaboradas à mão. Propomos uma alternativa com base na ideia de representações distribuídas: representar a necessidade de informação do usuário e as informações disponíveis para o usuário com um estado vetorial. Os componentes do estado vetorial são aprendidos para representar conceitos que são úteis para modelar o comportamento do usuário. E o comportamento do usuário é modelado como uma sequência de estados vetoriais associados a uma sessão de consulta: o estado vetorial é inicializado com uma consulta e, em seguida, atualizado iterativamente com base nas informações sobre interações com os resultados do motor de busca. Essa abordagem nos permite entender diretamente o comportamento de navegação do usuário a partir de dados de cliques, ou seja, sem a necessidade de um conjunto pré-definido de regras, como é habitual em modelos de clique baseados em PGM. Ilustramos nossa abordagem usando um conjunto de modelos de clique neurais. Nossos resultados experimentais mostram que o modelo de clique neural que utiliza os mesmos dados de treinamento que os modelos de clique tradicionais baseados em PGM tem um desempenho melhor na tarefa de previsão de cliques (ou seja, prever o clique do usuário nos resultados do motor de busca) e na tarefa de previsão de relevância (ou seja, classificar documentos de acordo com sua relevância para uma consulta). Uma análise do modelo de clique neural com melhor desempenho mostra que ele aprende conceitos semelhantes aos usados em modelos de clique tradicionais e que também aprende outros conceitos que não podem ser definidos manualmente.