Tác động của ý định truy vấn và bối cảnh tìm kiếm đối với hành vi nhấp chuột trong tìm kiếm có tài trợ

Knowledge and Information Systems - Tập 34 - Trang 425-452 - 2012
Azin Ashkan1, Charles L. A. Clarke1
1Cheriton School of Computer Science, University of Waterloo, Waterloo, Canada

Tóm tắt

Kỹ thuật phản hồi ngụ ý có thể được sử dụng để phát hiện ý định truy vấn, tận dụng hành vi người dùng để hiểu sở thích và quan tâm của họ. Trong tìm kiếm có tài trợ, mối quan tâm chính là việc người dùng có hứng thú mua sắm hoặc sử dụng một dịch vụ thương mại, hay còn được gọi là ý định thương mại trực tuyến. Trong bài báo này, chúng tôi phát triển một phương pháp để sử dụng nội dung của các trang kết quả của công cụ tìm kiếm (SERPs), cùng với thông tin thu được từ chuỗi truy vấn, để nghiên cứu các đặc điểm của ý định truy vấn, tập trung vào tìm kiếm có tài trợ. Công trình của chúng tôi đại diện cho một bước tiến trong phát triển và đánh giá một hệ thống phân loại cho tìm kiếm thương mại, xem xét các truy vấn tham chiếu đến các sản phẩm, thương hiệu và nhà bán lẻ cụ thể. Các đặc điểm của các loại truy vấn được nghiên cứu liên quan đến hành vi nhấp chuột của người dùng được tổng hợp trên các liên kết quảng cáo. Chúng tôi trình bày một mô hình cho hành vi nhấp chuột xem xét ảnh hưởng của các yếu tố như vị trí của quảng cáo và thứ hạng của quảng cáo, cùng với loại truy vấn. Chúng tôi đánh giá công việc của mình sử dụng một tập dữ liệu lớn về nhấp chuột thu được từ một công cụ tìm kiếm thương mại lớn. Ngoài ra, tác động của ý định truy vấn được nghiên cứu trên tỷ lệ nhấp chuột, trong đó mô hình cơ sở và mô hình ý định truy vấn được so sánh với mục đích tính toán tỷ lệ nhấp chuột quảng cáo dự kiến. Những phát hiện của chúng tôi cho thấy các đặc điểm dựa trên truy vấn, cùng với nội dung của SERPs, có hiệu quả trong việc phát hiện ý định truy vấn. Các yếu tố như loại truy vấn, thứ hạng của quảng cáo, và tổng số quảng cáo được hiển thị trên một trang kết quả liên quan đến bối cảnh của quảng cáo, chứ không phải nội dung của nó. Chúng tôi chứng minh rằng các yếu tố liên quan đến bối cảnh này có thể ảnh hưởng lớn đến tỷ lệ nhấp chuột dự kiến, cho thấy rằng các yếu tố này nên được xem xét khi đánh giá hiệu suất của một quảng cáo.

Từ khóa

#Ý định truy vấn #quảng cáo trực tuyến #tìm kiếm có tài trợ #hành vi nhấp chuột #bối cảnh tìm kiếm

Tài liệu tham khảo

Agichtein E, Brill E, Dumais S, Ragno R (2006) Learning user interaction models for predicting web search result preferences. In: Proceedings of the 29th ACM SIGIR conference on research and development in information retrieval, pp 3–10 Ashkan A, Clarke C (2009a) Characterizing commercial intent. In: Proceedings of the 18th ACM conference on information and knowledge management, pp 78–87 Ashkan A, Clarke C (2009b) Term-based commercial intent analysis. In: Proceedings of the 32nd ACM SIGIR conference on research and development in information retrieval, pp 800–801 Ashkan A, Clarke C, Agichtein E, Guo Q (2008) Characterizing query intent from sponsored search clickthrough data. In: Proceedings of the SIGIR workshop on informational retrieval for advertising, pp 15–22 Ashkan A, Clarke C, Agichtein E, Guo Q (2009a) Classifying and characterizing query intent. In: Proceedings of the 31st European conference on information retrieval, pp 578–586 Ashkan A, Clarke C, Agichtein E, Guo Q (2009b) Estimating ad clickthrough rate through query intent analysis. In: Proceedings of the IEEE/WIC/ACM international conference on web intelligence, pp 222–229 Baeza-Yates R, Calderán-Benavides L, González-Caro C (2006) The intention behind web queries. In: Proceedings of the 13th international symposium on string processing and information retrieval, pp 98–109 Beitzel S, Jensen E, Frieder O, Grossman D, Lewis D, Chowdhury A, Kolcz A (2005) Automatic web query classification using labeled and unlabeled training data. In: Proceedings of the 28th ACM SIGIR conference on research and development in information retrieval, pp 581–582 Beyond Search-Semantic Computing and Internet Economics Program (2007). http://research.microsoft.com/en-us/um/redmond/about/collaboration/awards/beyondsearchawards.aspx Brenes DJ, Avello DG, González KP (2009) Survey and evaluation of query intent detection methods. In: WSCD ’09: proceedings of the 2009 workshop on web search click data, pp 1–7 Briggs R, Hollis N (1997) Advertising on the web: is there response before clickthrough. J Advert Res 37(2):33–46 Broder A (2002) A taxonomy of web search. SIGIR Forum 36(2): 3–10 Broder A, Ciaramita M, Fontoura M, Gabrilovich E, Josifovski V, Metzler D, Murdock V, Plachouras V (2008) To swing or not to swing: learning when (not) to advertise. In: Proceedings of the 17th ACM conference on information and knowledge management Broder A, Fontoura M, Gabrilovich E, Joshi A, Josifovski V, Zhang T (2007a) Robust classification of rare queries using web knowledge. In: Proceedings of the 30th ACM SIGIR conference on research and development in information retrieval, pp 231–238 Broder A, Fontoura M, Josifovski V, Riedel L (2007b) A semantic approach to contextual advertising. In: Proceedings of the 30th annual international ACM SIGIR conference on research and development in information retrieval, pp 559–566 Cohen J (1960) A coefficient of agreement for nominal scales. Educ Psychol Meas 20(1): 37–46 Cover T, Thomas J (2006) Elements of information theory. Wiley-Interscience, New York Dai H, Zhao L, Nie Z, Wen J, Wang L, Li Y (2006) Detecting online commercial intention (OCI). In: Proceedings of the 15th international world wide web conference, pp 829–837 Debmbsczynski K, Kotlowski W, Weiss D (2008) Predicting ads clickthrough rate with decision rules. In: Proceedings of the WWW 2008 workshop on target and ranking for online advertising Dumais S, Chen H (2000) Hierarchical classification of web content. In: Proceedings of the 23rd annual international ACM SIGIR conference on research and development in information retrieval, pp 256–263 Fain DC, Pedersen JO (2006) Sponsored search: a brief history. Bull Am Soc Inf Sci Technol 32(2): 12–13 Fan TK, Chang CH (2010) Sentiment-oriented contextual advertising. Knowl Inf Syst 33(3): 321–344 Fleiss J, Cohen J (1973) The equivalence of weighted kappa and the intraclass correlation coefficient as measures of reliability. Educ Psychol Meas 33(3): 613–619 Ghose A, Yang S (2008) An empirical analysis of sponsored search performance in search engine advertising. In: Proceedings of the international conference on web search and data mining, pp 241–250 Graepel T, Candela J, Borchert T, Herbrich R (2010) Web-scale Bayesian click-through rate prediction for sponsored search advertising in microsofts bing search engine. In: Proceedings of the 27th international conference on machine learning Grant M, Boyd S (2011) CVX: Matlab software for disciplined convex programming http://stanford.edu/~boyd/cvx Hu Y, Koren Y, Volinsky C (2008) Collaborative filtering for implicit feedback datasets In: Proceedings of the 8th IEEE international conference on data mining, pp 263–272 Jansen B (2007) The comparative effectiveness of sponsored and nonsponsored links for web e-commerce queries. ACM Trans Web 1(1) Jansen B, Brown A, Resnick M (2007) Factors relating to the decision to click on a sponsored link. Decis Support Syst 44(1): 46–59 Jansen B, Resnick M (2006) An examination of searcher’s perceptions of nonsponsored and sponsored links during ecommerce web searching. J Am Soc Inf Sci Technol 57(14): 1949–1961 Joachims T (2011) SVM light support vector machine. http://svmlight.joachims.org Joachims T, Granka L, Pan B, Hembrooke H, Gay G (2005) Accurately interpreting clickthrough data as implicit feedback. In: Proceedings of the 28th ACM SIGIR conference on research and development in information retrieval, pp 154–161 Kang I (2005) Transactional query identification in web search. In: Proceedings of the second asia conference on asia information retrieval technology, pp 221–232 Lacerda A, Cristo M, Gonçalves M, Fan W, Ziviani N, Ribeiro-Neto B (2006) Learning to advertise. In: Proceedings of the 29th annual international ACM SIGIR conference on research and development in information retrieval, pp 549–556 Landis J, Koch G (1977) The measurement of observer agreement for categorical data. Biometrics 33: 159–174 Lee U, Liu Z, Cho J (2005) Automatic identification of user goals in web search. In: Proceedings of the 14th international world wide web conference, pp 391–400 Li X, Wang Y, Acero A. (2008) Learning query intent from regularized click graphs. In: Proceedings of the 31st ACM SIGIR conference on research and development in information retrieval, pp 339–346 Li Y, Krishnamurthy R, Vaithyanathan S, Jagadish HV (2006) Getting work done on the web: supporting transactional queries. In: SIGIR ’06: proceedings of the 29th annual international ACM SIGIR conference on research and development in information retrieval, pp 557–564 Malik HH, Fradkin D, Moerchen F (2011) Single pass text classification by direct feature weighting. Knowl Inf Syst 28(1): 79–98 Nettleton D, Calderán-Benavides L, Baeza-Yates R (2007) Analysis of web search engine query session and clicked documents. In: Proceedings of the 8th international workshop on knowledge discovery on the web, pp 207–226 Poblete B, Baeza-Yates R (2008) Query-sets: using implicit feedback and query patterns to organize web documents. In: Proceedings of the 17th international world wide web conference, pp 41–50 Regelson M, Fain D (2006) Predicting clickthrough rate using keyword clusters. In: Proceedings of the 2nd workshop on sponsored search auctions Richardson M (2008) Learning about the world through long-term query logs. ACM Trans Web 2(4): 1–27 Richardson M, Dominowska E, Ragno R (2007) Predicting clicks: estimating the clickthrough rate for new ads. In: Proceedings of the 16th international world wide web conference, pp 521–530 Rose D, Levinson D (2004) Understanding user goals in web search. In: Proceedings of the 13th international world wide web conference, pp 13–19 Sculley D (2010) Combined regression and ranking. In: Proceedings of the 16th ACM SIGKDD international conference on knowledge discovery and data mining, pp 979–988 Sculley D, Malkin R, Basu S, Bayardo R (2009) Predicting bounce rates in sponsored search advertisements. In: Proceedings of the 15th ACM SIGKDD international conference on knowledge discovery and data mining, pp 1325–1334 Shen D, Li Y, Li X, Zhou D (2009) Product query classification. In: Proceedings of the 18th ACM conference on information and knowledge management, pp 741–750 Sparck Jones K, Walker S, Robertson S (2000) A probabilistic model of information retrieval: development and comparative experiments (part 2). Inf Process Manag 36(6): 809–840 Tamine-Lechani L, Boughanem M, Daoud M (2010) Evaluation of contextual information retrieval effectiveness: overview of issues and research. Knowl Inf Syst 24(1): 1–34 Tan B, Peng F (2008) Unsupervised query segmentation using generative language models and wikipedia. In: Proceedings of the 17th international world wide web conference, pp 347–356 Teevan J, Dumais S, Liebling D (2008) To personalize or not to personalize: modeling queries with variation in user intent. In: Proceedings of the 31st ACM SIGIR conference on research and development in information retrieval, pp 163–170 Yih W, Goodman J, Carvalho V (2006) Finding advertising keywords on web pages. In: Proceedings of the 15th international world wide web conference, pp 213–222 Zhu Z, Chen W, Minka T, Zhu C, Chen Z (2010) A novel click model and its applications to online advertising. In: Proceedings of the third ACM international conference on web search and data mining, pp 321–330