用于搜索满意度预测的用户交互序列

检测和理解用户满意度的隐含度量对于旨在提高web搜索质量的有意义的实验至关重要。虽然大多数关于满意度预测的现有研究都依赖于用户的点击活动和查询重新制定行为，但通常这些信号并不适用于所有搜索会话，因此，在预测满意度方面没有用处。另一方面，用户交互数据（如鼠标光标移动）远比单击数据丰富，可以为预测用户满意度提供有用的信号。在这项工作中，我们重点考虑用户与搜索引擎结果页（SERP）交互的整体视图，并构建详细的通用交互序列他们的活动。我们提出了利用通用交互序列自动提取信息丰富、可解释子序列的新方法。除了提取频繁的、有区别的和交错的子序列外，我们还提出了一个Hawkes过程模型，以结合用户交互的时间方面。通过广泛的实验，我们表明将提取的子序列编码为特征可以显著提高预测用户满意度。我们还分析了不同子序列和用户满意度之间的相关性。最后，我们证明了所提议的方法在涵盖遗弃案件方面的有用性。我们的发现为度量开发中用户交互行为的细粒度分析提供了一个有价值的工具。