投稿日: その他 論文紹介

Modelling User Interest for Zero-query Ranking

Liu Yang, Qi Guo, Yang Song, Sha Meng, Milad Shokouhi, Kieran McDonald, and W. Bruce Croft
In Proc. of ECIR 2016

概要

Google NowやMicrosoft Cortanaといった、ユーザの状況に応じてカードをランキングして表示するアプリにおいて、Learning to Rankを用いたカードのランキング精度の改善を目的とした論文。

特徴量

Learning to Rankに使用する特徴量は以下の3カテゴリ。

  1. Cart Type based Implicit Feedback Features: カードの種類(ニュースや、天気予報、フライト情報など)単位で決まる特徴量。Dwell timeが30秒以上のSATなクリックの割合や、クリックをせずにカードを見ている平均時間など。
  2. Entity based User Interests Features: ユーザのWeb閲覧履歴等から推定される、ユーザが興味を持つトピックと、カードのトピックの類似度で決まる特徴量。
  3. User Demographics Features: 各カードをクリックしたユーザの属性で決まる特徴量。カードをクリックしたユーザの平均年齢や男女比など。

評価方法

Microsoft Cortanaのデータを使用。トレーニングデータは2015/3/18~24の1週間、テストデータは2015/3/25~31の1週間を使用。
クリック後30秒以上のdwell timeを持つカードと、クリックはされなかったが10秒以上閲覧されたカードを適合カードとして、LambdaMARTを使用して求めたランキングのMRRとnDCG@1を評価。
実験の結果、上記3カテゴリすべての特徴量を使用した場合が最も精度が高く、各特徴量の有用度を評価したろころ、1つ目のカテゴリの有用度が特に高いことがわかった。


-その他, 論文紹介

関連記事

Predicting the popularity of web 2.0 items based on user comments

He, Xiangnan and Gao, Ming and Kan, Min-Yen and Liu, Yiqun and Sugiyama, Kazunari In Proc. of SIGIR …

Mining Contentious Documents Using an Unsupervised Topic Model Based Approach

Amine, Trabelsi and Osmar R., Zaiane In Proc. of ICDM 2014 概要 ある話題に関する文書集合が与えられたときに、「賛成」や「反対」などの各観点( …

AutoWeb: automatic classification of mobile web pages for revisitation

Liu, Jie Xu, Wenchang Shi, Yuanchun In Proc. of MobileHCI 2012 http://dl.acm.org/citation.cfm?id=237 …

Supporting Complex Search Tasks

Ahmed Hassan Awadallah Ryen W. White Patrick Pantel Susan T. Dumais Yi-Min Wang In Proc. of CIKM2014 …

【論文紹介】Generative Feature Language Models for Mining Implicit Features from Customer Reviews

Karmaker Santu, Shubhra Kanti and Sondhi, Parikshit and Zhai, ChengXiang CIKM 2016 ACM 概要 イリノイ大学のChe …