WSDM2016報告会−論文紹介(Beyond Ranking:Optimizing Whole-Page Presentation)#yjwsdm

>100 Views

April 27, 16

スライド概要

4/6にヤフー株式会社で開催されたWSDM報告会の発表資料です。
http://yahoo-ds-event.connpass.com/event/28441/

profile-image

2023年10月からSpeaker Deckに移行しました。最新情報はこちらをご覧ください。 https://speakerdeck.com/lycorptech_jp

シェア

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
1.

[論文紹介]Beyond Ranking: Optimizing Whole-Page Presentation (WSDM2016) by Yue Wang, Dawei Yin, Luo Jie, Pengyuan Wang, Makoto Yamada, Yi Chang, Qiaozhu Mei ヤフー株式会社 山本 浩司 2016/4/27

2.

概要 • WSDM2016 Best paper • 筆頭著者の米Yahooでのインターン時の研究 • 検索結果ページの良さを最適化するために ページのpresentation(表示方法) を考慮する手法 • 従来のランキングを決める問題を拡張 P2

3.

一昔前の検索結果ページ(SERP) • • 10件のWeb検索結果: “10 blue links” “Probability ranking principle”[36] • ユーザが上から順に見ていく前提 • レレバンシ (関連度)の高い順に 上から並べて表示したときに最適 • より注目されるポジションに 重要な結果を配置 credit: slides by the authors P3

4.

現在の検索結果ページ • ニュースや画像、動画、地図などの検索結果が追加 P4

5.

背景:ユーザインタラクションの変化 • 人間の目は自然とグラフィカルな部分に引きつけられる • • → • • 画像、動画などの検索結果が注視されやすい(vertical bias) その近くの検索結果も注視されやすい ユーザは検索結果を必ずしも上から順に見ていない 種類の異なる結果が混在 上から順に関連度の高いものを 出せばいいというわけではない → ページ全体としてのユーザの 満足度の推定が難しくなっている Credit: Matthew Campion. Eye tracking study: Google results with videos. 2013/9. P5

6.

目的 P6 • SERPの最適なプレゼンテーション (表示方法) を学習 • 考慮する要素がランキングのみの場合より多い 表示するポジション、画像サイズ、テキストフォントなど credit: slides by the authors

7.

提案手法の枠組み P7 • ページプレゼンテーションの良さの指標は、 ユーザの満足度とする • 満足度のスコアリング関数を学習 Q(content, presentation) = satisfaction • 学習した関数を用いて、検索結果に対し、 満足度を最大化するようなプレゼンテーションを予測 presentation* = argmax Q(content, presentation) presentation presentation credit: slides by the authors

8.

学習 P8 • 満足度の関数 satisfaction = Q(contents, presentation) の推定 • 2つのステップに分解 • SERPでのuser response (クリックなど)を予測する関数 の学習 (User response model: f(content, presentation)) • 満足度指標: g(y)(user response → 満足度) Q(contents, presentation) = g(f(content, presentation) (y) y = f(content, presentation) satisfaction = g(y) credit: slides by the authors

9.

サーチエンジンの既存手法による選択バイアス P9 • データ収集時の注意点: 通常の検索トラフィックを Q(contents, presentation ) の学習に使えない • • 通常のサーチエンジンは決定的 (deterministic) に contentをページに表示 つまり、contentに対してpresentationがユニークに決まっている credit: slides by the authors

10.

Explorationによるデータ収集 P10 • “presentation exploration bucket” を用意 • • • 一部のトラフィックでスコアリング関数を推定するための データを収集 リクエストのcontentに対しランダムなpresentationを割当て ランダムといってもビジネス上の制約は守る credit: slides by the authors

11.

user response model P11 • 2つのモデルを使用 • Quadratic Feature model • 素性ベクトル: コンテンツ x、プレゼンテーション p (ポジション)、 コンテンツとプレゼンテーションの組み合わせ素性 y = aTx + bTp + x T W p + c (user response y を予測) コンテンツ プレゼンテーション 組み合わせ (gは満足度指標 ) Q(x, p) = g(y) p* = argmax Q(x, p) = argmax θTp p • p (subject to constraints on p) Gradient Boosted Decision Tree Model • Gradient boosted decision tree [18]を使ったモデル y = hGBDT (x, p) (user response y を予測) Q(x, p) = g(y) p* = argmax Q (x, p) p (subject to constraints on p)

12.

素性 • Content features • • クエリとその検索結果に関する情報を含む learning to rankでよく使われる素性 比較のため [23] の素性と同じものを使用 • Presentation features • 本研究で新規に導入した、表示方法についての素性 P12

13.

Content features • Global result set features • • • クエリのunigram, bigram, 共起統計量などの語彙素性 クエリクラシファイアの出力や、実績ベースのクエリ素性など Corpus level features • • • 返ってきたすべての結果からの素性 各バーティカルのコンテンツの有用性を示す Query features • • • P13 各バーティカルやWeb検索のドキュメントに関する、クエリとは独立な素性 実績CTRやユーザの嗜好など Search result features • • • 各検索結果からの素性 個々の結果のレレバンシスコアやランキング素性 いくつかのバーティカル固有のメタ素性も抽出 • 映画バーティカル: 映画のポスターが使えるか、映画が公開中か、など ニュースバーティカル: 過去数時間でヒットした記事数

14.

Presentation features • Binary indicators • ポジション素性 • Categorical features • マルチメディアタイプ (テキスト or 画像) や、テキストの書体 • Numerical features • グラフィカルなアイテムの明るさやコントラストなど • Other features • User responseに影響を与えるような要素についての素性 例:"グラフィカルアイテムのすぐ上にあるテキストアイテム" P14

15.

検索トラフィック P15 • 一部の検索トラフィックをexplorationに振り分け 学習に使用 presentation exploration bucket Phase 1: オフライン satisfaction = Q(content, presentation) 学習したQをデプロイ Phase 2: オンライン presentation*= argmax Q(content, presentation) presentation 通常トラフィック credit: slides by the authors

16.

米Yahoo! Search での実験 • Presentation exploration bucketで探索的に データ収集 • 2013年の800万page view • 1-6月を学習データ、7-12月をテストデータ • 4つのバーティカル • ニュース、ショッピング、ローカルビジネス (レストランなど) • 評価指標: click-skip 指標 • ランキングの各アイテムを上から見ていき、 • • アイテムがクリックされてたら: +1, クリックされず、それより下のアイテムがクリックされてたら: -1 の総和 P16

17.

実験結果 P17 • 提案手法が先行研究をアウトパフォーム • 先行研究モデルは、クリックされる確率が最も高いものを トップに置く • • が、クエリによっては常にトップがクリックされやすいとは限らない 提案手法は単一の検索結果だけではなく、presentationや SERP全体でのインタラクションを考慮 credit: slides by the authors

18.

まとめ • Whole-page presentation optimization (ページ全体での表示最適化) を新たな問題として 定式化 • 従来のドキュメントのランキングを拡張したもの • Federated search の検索結果の最適な表示を 求める手法を提案 • 実験で手法の有効性を示した P18

19.

情報開示先ラベルを入力してください ありがとうございました