Optimizing Search

Optimizing Search Engines using
Clickthrough Data
Thosrsten Joachims
2002

Introdução

 O que o usuário realmente quer quando ele acessa um
mecanismo de busca?

Introdução
 O que o usuário realmente quer quando ele acessa um
mecanismo de busca?

Clickthrough Data in Search Engines
 (q, r, c)
 q – consulta
 r – ranking apresentado para o usuário
 c – conjunto de links que o usuário clicou
 Exemplo:
 q = “data mining”

 Os cliques podem ser gravados com o mínimo de
overhead
 Não compromete a funcionalidade e utilidade do sistema
 Não tem nenhum overhead para o usuário
 Servidor de proxy

query_id
Resultado da Servidor de
busca, proxy Página alvo
query_id = 5 url Http-location


 Um link clicado não pode ser considerado de relevância
absoluta
 Os usuários não clicam de forma aleatória, mas fazem
uma escolha (um pouco) informada
 O usuário clica em um link se este for relevante para q
 É menos provável que o usuário clique em um link
rankeado mais baixo, independente da sua relevância
 Os usuários geralmente observam os 10 primeiros links

 O que pode então ser usado e analisado?
link 1

link 2

link 3

link 4

link 5

link 6

link 7

 O que pode então ser usado e analisado?
 Os links 1, 3 e 7 não podem ser considerados com relevância
absoluta
 O link 3 é preferível ao link 2
 O link 7 é mais relevante que os links 2, 4, 5 e 6
 Os cliques informam julgamentos de relevância parciais e
relativos

A framework for learning of retrieval
functions

 Problema de recuperação de informação
 Entrada:
 uma consulta q e os documentos D = {d1, ..., dm}
 Saída:
 retornar um ranking r* que ordena os documentos de D de acordo
com sua relevância para a consulta

functions
 Uma função f de recuperação é avaliada pelo quanto rf(q) que ela gera
aproxima do ótimo, r*.
 
Medida Kendall’s de distância
 Considerando dois rankings
 ra: d1 < d2 < d3 < d4 < d5
 rb: d3 < d2 < d1 < d4 < d5

 Se di <r dj, então (di , dj)r
ra rb
(d1, d2) (d3, d2)
(d1, d3) (d3, d1) P=7
(d1, d4) (d3, d4) Q=3
(d1, d5) (d3, d5) T(ra, rb) = 7 – 3 / 7+3 = 0, 4
(d2, d3) (d2, d1)
(d2, d4) (d2, d4)
(d2, d5) (d2, d5)
(d3, d4) (d1, d4) O objetivo é obter uma função que maximize T(ra, rb)
(d3, d5) (d1, d5)
(d4, d5) (d4, d5)

functions
 Problema de aprendizagem de uma função de ranking
 Entrada:
 Distribuição conhecida Pr(q,r*) de consultas e rankings alvo
numa coleção de documentos D com m documentos
 Saída
 Aprender uma função de recuperação f(q) para o qual é
esperado o Kendall’s T máximo

An SVM algorithm for learning of ranking
functions
 Entrada
 Dada uma amostra de treinamento S, de tamanho n, contendo
seus rankings alvos r*

 Saída
 Função ranking f que maximize

Classificador SVM
Dado um conjunto de k amostras
(x1, c1),…(xk,ck),
onde xi são vetores de n
dimensões e ci é a classe (1 ou -1)
das amostras

Encontrar o hiperplano 
determinado pelo vetor
e o escalar b tal que:
w
Qualquer amostra xi da classe ci =
1 satisfaça w. xi + b >= 1

Qualquer amostra xi da classe ci =
-1 satisfaça w.xi + b <= -1

Classificador SVM
B1

w x+ b =0
w
w x+b =1
w x + b = -1

b11

b12

Classificador SVM

 Como o w é encontrado?
 A partir das restrições impostas pelas amostras de
treinamento

A B Classe
2w1  3w2  b  1
2 3 1 1w1  4w2  b  1
1 4 -1
1w1  5w2  b  1
1 5 1
3 7 -1 3w1  7 w2  b  1

Classificador SVM

 Como usar o classificador SVM para classificar uma
amostra x ?

1 se w x  b  1
classe ( x ) =
 1 se w x  b   1

functions


 w é o vetor ajustado pelo classificador.
  (q,d) é o mapeamento das características da consulta q
e o documento d
 O número de palavras que os dois compartilham no domínio
ou no resumo do link
 O tamanho da URL em caracteres
 Diversas outras

functions

 Na abordagem proposta, o w vai ser calculado a partir
das seguintes restrições

functions
(1, 2, 3, 4)

functions
(2, 3, 1, 4)

functions

functions
 A função aprendida f w* poderá sempre ser representada
como uma combinação linear do vetor de características.

 É possível a utilização de Kernels e extender o Ranking
SVM para uma função de recuperação não linear.

functions
 O f w* será usado para rankear o conjunto de documentos
para uma nova consulta q.
 Nesse caso é suficiente ordenar os documentos pelo seu
valor de:

functions
 O r* de uma consulta q não está disponível.
 A partir dos cliques é possível obter r’  r*
 Assim, os r’ obtidos serão a base de treinamento do
Ranking SVM

Experimentos
 Experiment Setup: Meta-Search
 Striver
 É facil de implementar enquanto cobre uma grande coleção de
documentos
 Os mecanismos de consulta básica fornecem uma base para
comparação
 Funcionamento
 A consulta do usuário no Striver é repassada para o Google, Msn
Search, Excite, Altavista e Hotbot
 Os resultados retornados são analisados e os top 100 links sugeridos
são extraídos, a união dos links compõem o conjunto de candidatos V
 O ranking é feito a partir da função aprendida, e os top-50 são
apresentados para o usuário

Experimentos
 É necessário comparar as diferentes funções de
recuperação:
 Apresenta-se dois rankings. Os rankings A e B são combinados
em um ranking C
 O top n links do C contem o top ka links de A e top kb links
de B, com ka-kb <=1.
 Se o usuário examinar os links de C de cima para baixo, em
qualquer ponto ele vê quase igualmente a mesma quantidade
de links de A e B.

Experimentos
 O usuário clicou em 3 links que participam do ranking A,
contra somente 1 do ranking b.
 Se um usuário não tem nenhuma preferência sobre A ou
B, espera-se que ele clique de forma igual entre os dois
rankings.
 Uma vez que o usuário clica em mais links de A, se
conclui que os links do ranking A são melhores do que os
de B para essa consulta.

Experimentos
 Offline Experiment
 Verificar que o Ranking SVM aprende uma função de
recuperação usando feedback parcial dos dados de
clique.
 Coleta de dados
 Consultas feitas pelo autor em outubro de 2001.
 O Striver apresenta os resultados de Google e
MSNSearch usando o método de combinação
apresentado.
 112 consultas.

Experimentos
 Mapeamento das características
 Rank em outros mecanismos de pesquisa
 Rank_X: 100 minus rank in X {google, msn, altavista, hotbot, excite}
dividido por 100 (minimum 0)
 Top1_X: Rankead #1 in X (binario 0 1)
 Top10_X : Ranked in top 10 (binario 0 1)
 Query / Content Match
 Query_url_cosine: coseno entre url-words e query (range [0,1])
 Query_abstract_cosine: coseno entre title-words and query
 Domain_name_in_query: query contem domain-name from url (binario)
 Popularity-Atributos
 url_length: tamanho da url em caracters dividido por 30
 Domain_X: dominio X de URL
 Abstract_contains_home: palavra “home” aparece na URL ou titulo
 url_contains_tilde: url contem “~”
 url_X: url X como um atomo.

Experimentos
 Extração de pares de preferências
 Adição de 50 restrições foram adicionadas para cada documento clicado
 Não se usou Kernel
 C = {0.001, 0.003, 0.005, 0.01}
 Gráfico
 Eixo x: número de consultas de treinamento
 Eixo y: porcentagem de restrições que não são cobertas no banco de teste

Experimentos
 Interactive Online Experiment
 Mostrar se a função aprendida provê qualidade
 Coleta de Dados
 31 de outubro a 20 de novembro de 2001
 Striver disponibilizado para um grupo de 20 usuários
 Pesquisadores e estudantes da AI unit na University of Dortmundo
 Coletou-se 260 consultas de treinamento (com no mínimo um clique).
 Treinamento do Ranking SVM usando o mesmo  (q,d)
 A função aprendida foi implementada no Striver e usada para rankear o
conjunto de candidatos V.
 Durante o período de avaliação que durou até 2 de dezembro, a função
aprendida é comparada com:
 Google
 MSNSearch
 Toprank

Experimentos
 A comparação é feita usando o método de combinação já
apresentado
 O ranking da função aprendida é apresentado em
combinação com cada um dos três baseline ranking
selecionados randomicamente.
 A tabela mostra quantas consultas o usuário clicou mais
ou menos no resultado da função aprendida (learned)

Experimentos
 Tie apresenta quantas vezes a quantidade de clicks nas
consultas dos dois rankings combinados foram iguais, ou
quando não houve cliques.
 Conclusão: a função de recuperação é melhor que o
Google para esse grupo de usuários.

Analysis of the learned function
 Uma vez que o Ranking SVM aprende uma função linear,
pode-se analisar a função estudando os pesos aprendidos.
 A tabela 3 apresenta os pesos de algumas características,
em particular, aquela com o maior peso absoluto.
 Uma característica com maior peso positivo indica que o
documento com essa característica devem ser rankeados
mais alto.

Discussões
 Foco na adequação de recuperação de informação para
pequenos grupos homogêneos, no lugar de grandes
grupos heterogêneos
 O que é um bom tamanho de grupo de usuário e como
podem tais grupos serem determinados?
 Claramente, existe um contraste entre a quantidade de dados
de treinamento e homogeneidade máxima.
 É possível usar algoritmos de clusterização para encontrar
grupos de usuários homogêneos?
 Além disso, pode dados de clique também ser usado para
adaptar um mecanismo de busca não para um grupo de
usuário, mas para propriedades de uma coleção particular de
documentos?

SVM rank
 http://www.cs.cornell.edu/People/tj/svm_light/svm_rank.html
 Módulo de aprendizagem
 Dados de treinamento (train.dat)
 Arquivo de modelo (model.dat)
 Parâmetro C (valor de penalização)
 svm_rank_learn -c 3 example3/train.dat example3/model
 Dados de treinamento
# query 1
3 qid:1 1:1 2:1 3:0 4:0.2 5:0 # 1A
2 qid:1 1:0 2:0 3:1 4:0.1 5:1 # 1B
1 qid:1 1:0 2:1 3:0 4:0.4 5:0 # 1C
1 qid:1 1:0 2:0 3:1 4:0.3 5:0 # 1D

 1A>1B, 1A>1C, 1A>1D, 1B>1C, 1B>1D

SVM_rank
 Model
 SVM-light Version V6.20
 0 # kernel type
 3 # kernel parameter -d
 1 # kernel parameter -g
 1 # kernel parameter -s
 1 # kernel parameter -r
 empty# kernel parameter -u
 6 # highest feature index
 7 # number of training documents
 2 # number of support vectors plus 1
 0 # threshold b, each following line is a SV (starting with alpha*y)
 1 1:1.5231243 2:-0.064747944 3:-0.52312434 4:-0.18499486
5:0.95375079 #

SVM_rank
 Módulo de predição
 svm_rank_classify test.dat model.txt predicoes.txt
 Test.dat
4 qid:4 1:1 2:0 3:0 4:0.2 5:1
3 qid:4 1:1 2:1 3:0 4:0.3 5:0
2 qid:4 1:0 2:0 3:0 4:0.2 5:1
1 qid:4 1:0 2:0 3:1 4:0.2 5:0
 Predição.txt
2.43987615
1.40287793
0.91675182
-0.56012331

Letor
 http://research.microsoft.com/en-us/um/beijing/projects/letor/
 Learning to Rank for Information Retrieval
 Website desenvolvido para facilitar pesquisas em Learning To Rank.
 É um benchmark que contém características padrões, julgamentos de
relevância, particionamento de dados, ferramentas de avaliação.
 Dados coletados de sites governamentais e da área da saúde.
 Estrutura de entrada idêntica ao do SVM_Rank
 Medidas de performance:
 NDCG@k: Normalized Discount Cumulative Gain
 Medida de avaliação das top k posições da lista rankeada usando múltiplos níveis de julgamento de
relevância.

Referências
 T. Joachims, Optimizing Search Engines Using Clickthrough Data,
Proceedings of the ACM Conference on Knowledge Discovery
and Data Mining (KDD), ACM, 2002.
 SVMrank - Support Vector Machine for Ranking, disponível em:
http://www.cs.cornell.edu/People/tj/svm_light/svm_rank.html
 LETOR: Learning to Rank for Information Retrieval, disponível
em: http://research.microsoft.com/en-
us/um/beijing/projects/letor/event.aspx
 Qin, t. Liu, TY., Li, Hang. LETOR: A Benchmark Collection for
Research on Learning to Rank for Information Retrieval.
 De Amo, S., Slides Classificador SVM, disponível em:
http://www.deamo.prof.ufu.br/arquivos/ClassificadorSVM.ppt

Optimizing Search

Mais conteúdo relacionado

Destaque (20)

Semelhante a Optimizing Search (20)

Optimizing Search