.716 智能系统学报 第11卷 3.2P0M模型 相应的模型示意图如图9所示，点击行为首先 Wang等提出了名为partially observable Markov 根据时间信息记录为时间序列，接下来对于每一个 model(POM)[2的点击模型来描述用户的任意浏 点击对，根据局部检验线性假设，用户在点击对之间 览行为。POM模型将用户的检验事件当做一个部 是线性的浏览行为，因此可以用一个基于位置点击 分可观测的随机过程来进行描述。其流程示意图如 模型的子模块来描述这个点击对之间的用户浏览行 图8所示，对于一个可以观测的点击行为序列，该模 为。而由于用户可能会略过一些结果，因此点击对 型会试图寻找所有可能的检验序列并分别计算各种 之间的所有搜索结果并不是都被用户检验，而是需 检验序列的可能性。 要模型推断用户检验了哪些搜索结果。 观测O e 0 基于点击位置 (a)观测序列0 V:e 假设QVe, Vi-e S=0 S,=0 V=? S=0 基于点击序列 S=1 iS=1 2 4 图9PSCM模型流程示意图 (b)假设序列Q Fig.9 Graphical representation of the partially sequen- tial click model V=e V=e, 假设Qy,=e ,=e, s0=?s-0-? S0'=?1 S=0 4点击模型开源工具及数据集 52=1 S=1 3 由于点击模型具有很强的实用性，因此很多搜索 (c)假设序列Q2) 引擎公司都有部分模型的内部实现方案，而研究人员 图8POM模型流程示意图 也针对点击模型开发了一系列的开源工具实现： Fig.8 Graphical representation of the vertical click model 1)ClickModelProject https://github.com/varep- 尽管这个模型能够描述用户的非顺序检验行 silon/clickmodels)是一个基于Python的开源点击模 为，但模型仅考虑了用户在不同位置之间的检验跳 型项目，本文中介绍的DCM、UBM、DBN等模型在该 转概率（也就是说，不同用户，不同查询，不同搜索 开源项目中均有实现。 结果下用户的检验跳转行为是一致的)，因此该模 2)PyClick https://github.com/markovi/Py- 型并不能针对具体的查询和结果给出点击概率预测 Click)是一个基于Python的开源点击模型项目，本 和结果相关性预测，并且难以在实际环境中应用，并 文中介绍的FCM、VCM等模型在该开源项目中均有 和已有的点击模型进行比较。 实现。 3.3PSCM模型 3)THUIRClick https://github.com/THUIR/ Wang等2]利用眼动视线追踪设备对用户的非 PSCMModel)是一个基于Python的开源点击模型项 顺序浏览行为进行了深入的分析，在总结了用户浏 目，本文中介绍的TCM、POM、PSCM等模型在该开 览行为的一般规律后提出了如下两个用户非顺序浏 源项目中均有实现。 览行为假设。 除了开源工具之外，业界搜索引擎公司也公布 1)局部检验线性假设：在两次点击之间，用户 了一批公开的搜索日志资源： 倾向于沿着点击方向检验结果而不再改变检验方 1)Yandex https://www.kaggle.com/c/yandex- 向，无论用户的点击方向是向上还是向下。 personalized--web-search-challenge)是一家俄文和英 2)非一阶检验假设：尽管用户在两次点击之间 文搜索引擎公司，其公布了2012年某一个月的搜索 的检验行为是局部线性有序的，但用户并不是一个 日志。 挨着一个检验搜索结果，而是会略过一些搜索结果。 2)Sogou (http://www.sogou.com/labs/dl/q-e３．２ ＰＯＭ 模型 Ｗａｎｇ 等提出了名为 ｐａｒｔｉａｌｌｙ ｏｂｓｅｒｖａｂｌｅ Ｍａｒｋｏｖ ｍｏｄｅｌ （ＰＯＭ） ［２１］的点击模型来描述用户的任意浏 览行为。 ＰＯＭ 模型将用户的检验事件当做一个部 分可观测的随机过程来进行描述。 其流程示意图如 图 ８ 所示，对于一个可以观测的点击行为序列，该模 型会试图寻找所有可能的检验序列并分别计算各种 检验序列的可能性。 （ａ） 观测序列 Ｏ （ｂ）假设序列 Ｑ１ （ｃ）假设序列 Ｑ２ ） 图 ８ ＰＯＭ 模型流程示意图 Ｆｉｇ．８ Ｇｒａｐｈｉｃａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｖｅｒｔｉｃａｌ ｃｌｉｃｋ ｍｏｄｅｌ 尽管这个模型能够描述用户的非顺序检验行 为，但模型仅考虑了用户在不同位置之间的检验跳 转概率（也就是说，不同用户，不同查询，不同搜索 结果下用户的检验跳转行为是一致的），因此该模 型并不能针对具体的查询和结果给出点击概率预测 和结果相关性预测，并且难以在实际环境中应用，并 和已有的点击模型进行比较。 ３．３ ＰＳＣＭ 模型 Ｗａｎｇ 等［２２］利用眼动视线追踪设备对用户的非 顺序浏览行为进行了深入的分析，在总结了用户浏 览行为的一般规律后提出了如下两个用户非顺序浏 览行为假设。 １）局部检验线性假设：在两次点击之间，用户 倾向于沿着点击方向检验结果而不再改变检验方 向，无论用户的点击方向是向上还是向下。 ２）非一阶检验假设：尽管用户在两次点击之间 的检验行为是局部线性有序的，但用户并不是一个 挨着一个检验搜索结果，而是会略过一些搜索结果。 相应的模型示意图如图 ９ 所示，点击行为首先 根据时间信息记录为时间序列，接下来对于每一个 点击对，根据局部检验线性假设，用户在点击对之间 是线性的浏览行为，因此可以用一个基于位置点击 模型的子模块来描述这个点击对之间的用户浏览行 为。 而由于用户可能会略过一些结果，因此点击对 之间的所有搜索结果并不是都被用户检验，而是需 要模型推断用户检验了哪些搜索结果。 图 ９ ＰＳＣＭ 模型流程示意图 Ｆｉｇ．９ Ｇｒａｐｈｉｃａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｐａｒｔｉａｌｌｙ ｓｅｑｕｅｎ⁃ ｔｉａｌ ｃｌｉｃｋ ｍｏｄｅｌ ４ 点击模型开源工具及数据集 由于点击模型具有很强的实用性，因此很多搜索 引擎公司都有部分模型的内部实现方案，而研究人员 也针对点击模型开发了一系列的开源工具实现： １）ＣｌｉｃｋＭｏｄｅｌＰｒｏｊｅｃｔ （ｈｔｔｐｓ： ／ ／ ｇｉｔｈｕｂ．ｃｏｍ ／ ｖａｒｅｐ⁃ ｓｉｌｏｎ ／ ｃｌｉｃｋｍｏｄｅｌｓ）是一个基于 Ｐｙｔｈｏｎ 的开源点击模 型项目，本文中介绍的 ＤＣＭ、ＵＢＭ、ＤＢＮ 等模型在该 开源项目中均有实现。 ２ ） ＰｙＣｌｉｃｋ （ ｈｔｔｐｓ： ／ ／ ｇｉｔｈｕｂ． ｃｏｍ ／ ｍａｒｋｏｖｉ ／ Ｐｙ⁃ Ｃｌｉｃｋ）是一个基于 Ｐｙｔｈｏｎ 的开源点击模型项目，本 文中介绍的 ＦＣＭ、ＶＣＭ 等模型在该开源项目中均有 实现。 ３ ） ＴＨＵＩＲＣｌｉｃｋ （ ｈｔｔｐｓ： ／ ／ ｇｉｔｈｕｂ． ｃｏｍ ／ ＴＨＵＩＲ／ ＰＳＣＭＭｏｄｅｌ）是一个基于 Ｐｙｔｈｏｎ 的开源点击模型项 目，本文中介绍的 ＴＣＭ、ＰＯＭ、ＰＳＣＭ 等模型在该开 源项目中均有实现。 除了开源工具之外，业界搜索引擎公司也公布 了一批公开的搜索日志资源： １） Ｙａｎｄｅｘ （ ｈｔｔｐｓ： ／ ／ ｗｗｗ． ｋａｇｇｌｅ． ｃｏｍ ／ ｃ ／ ｙａｎｄｅｘ⁃ ｐｅｒｓｏｎａｌｉｚｅｄ⁃ｗｅｂ⁃ｓｅａｒｃｈ⁃ｃｈａｌｌｅｎｇｅ） 是一家俄文和英 文搜索引擎公司，其公布了 ２０１２ 年某一个月的搜索 日志。 ２） Ｓｏｇｏｕ （ ｈｔｔｐ： ／ ／ ｗｗｗ．ｓｏｇｏｕ． ｃｏｍ ／ ｌａｂｓ／ ｄｌ ／ ｑ －ｅ． ·７１６· 智 能 系 统 学 报 第 １１ 卷