面向数字资源查询的用户行为建模研究

白莹琦，帕力旦·吐尔逊，李 煜，付 敏

（1.西北大学 图书馆，陕西 西安 710127；2.新疆师范大学，新疆 乌鲁木齐 830017）

0 引 言

用户在搜索数字文献资源时，其结果页面是一个返回列表。此时，用户可能会进行多种方式的操作。例如在点击任何一个返回结果之前，先快速浏览很多其他结果的名称；或者按照返回结果列表依次点击浏览；或者放弃当前搜索并发出一个新的查询。因此，用户与系统交互式的行为建模研究是实现良好搜索引擎的关键因素。

对于系统平台，将用户搜索某项记录的操作动作进行排序，便可以表示为一个动作序列，具体定义为=＜(,), (,), (,)...＞，其中(d,s)是由两个元素组成的动作：动作的类型d以及该动作对应的返回结果序列r≥1。其中动作类型包含三种，具体如下：

（1）快速浏览：d=""，当一个搜索结果简介在电脑屏幕上停留的时间至少为1 s时，数据库系统平台将其定义为“一次快速浏览”。

（2）查阅查看：d=""，当用户选择某条特定的结果并加载更为详细的结果介绍时，系统平台将记录该操作，并定义为“查阅查看”。

（3）下载确定：d=""，当用户在查阅查看后，确认填写和提交下载该记录。这样的操作在系统平台也会被记录，并定义为“下载确定”。

以某省属211高校图书馆数据库系统日志为例，摘录某注册用户的一组动作序列，每组动作序列也可以看作是三个动作分量序列的组合。例如，某用户已经快速浏览结果页面的第1～5条记录，随后更为详细地查阅查看了第4条记录的详细情况，下载确认该纪录后再浏览第5条记录。

每种动作之间存在关联，对该关联的挖掘可以凭借研究连续动作序列进行建模与分析。由于“查阅查看”是可以监测到的，而“快速浏览”则不然，只是记录了是否进行，而无法对被浏览的记录进行排序。因此，本文的研究目标在于能够通过“查阅查看”动作记录中推断出“快速浏览”时符合用户需求的结果排序。主要贡献总结如下：

（1）建立了使用“查阅查看”信息来估计“快速浏览”顺序的模型。

（2）针对常规用户行为特征，提出条件连续概率来评估行为模型。

1 相关工作

在有关提升搜索引擎性能的工作中，White等人通过使用商用搜索线索集，研究了用户与结果页面交互时搜索行为的可变性，其中每个线索代表一个交互图；从用户提交查询开始，到用户完成搜索任务结束，通过交互图的变化展现行为的动态变化。Klockner等人通过眼睛跟踪实验来研究扫描浏览的序列。Cutrell等人根据眼睛跟踪的数据，研究了搜索结果对用户行为的影响。Joachims等人调查了用户“从上到下”的浏览行为，其结论是在用户单击搜索结果之前，已经查看了大多数的结果，只有少数的结果没有被查看。Thomas等人也通过眼睛跟踪实验，得出用户遵循“进两步，退一步”的方式来浏览结果页面。现有方法足以感知用户在进行数字资源搜索时的“快速浏览”动作。

针对在线用户的行为，Spina等人研究了某在线社交网站的互动日志，从点击和查询提交关键词两方面调查了该网站会员的个人行为特征；Mansouri等人从数以百万计的在线求职页面记录中，选择与职位相关的查询，研究了最热门职位数量与一周内的职位搜索次数之间的关系。

对于电子商务搜索日志，Parikh等人分析了大约1.15亿个eBay查询记录，并指出不同查询的频率分布遵循幂律分布；Hasan等人则扩展了这一研究，发现查询频率（查询受欢迎程度的衡量标准）与eBay上检索结果的数量呈正相关，这显示了供求之间的平衡。

2 可预测模型分析

本文的数据集是某高校图书馆数据库的用户交互日志样本。测试分析时采用了两种不同工作模式的动作序列：（1）基于手机的Android/iOS应用程序进行在线搜索，其中搜索结果页面没有分页和连续滚动；（2）基于桌面的网络浏览器进行搜索，结果页面都是分页的，每个页面包含15个结果。采用近2万个动作序列分别响应Android/iOS查询和浏览器查询。

“快速浏览”是“查阅查看”和“下载确定”的前提。对于每条记录，用户通常会在“查阅查看”结果之前“快速浏览”包括在内的几乎所有返回结果，记录下用户查看其他返回结果的数量。对比Android/iOS用户和浏览器用户，使用浏览器的用户每次“查阅查看”某条结果时，“快速浏览”的结果数量比使用Android/iOS的用户更多。

通常情况下，用户在完成本次搜索之前，已经对搜索结果页面进行了更深入的检查。总的来说，所有对结果进行“查阅查看”的返回结果中，用户的“快速浏览”排列次序都遵循类似的模式，这意味着可以从“查阅查看”信息中推断“快速浏览”；而“下载确认”这一动作提供的额外信息会进一步加强这种关系。

对于“下载确认”与“快速浏览”的推断，与Wicaksono等人所提出的经验值()计算近似。根据经验值的计算，这里考虑前20个结果（基于浏览器用户的第一页），对“下载确认”和“快速浏览”分别估计的延续概率明显不同，见表1所列的RBP和INSQ这两个模型的最佳拟合参数的值。然而，本文依旧认为“快速浏览”可以从“下载确认”这一动作序列中推断出来，具体将在后文中说明。

表1 RBP和INSQ的最佳拟合参数值

3 预测印象分布

本章描述了印象模式的建模方法。进行回归预测时，基于以下三个假设选择模型：

（1）用户从上到下查看返回结果。

（2）如果第条返回结果被“查阅查看”，则第1至条返回记录都被“快速浏览”。

（3）用户可以在“查阅查看”第条返回结果之前，先查看后续返回结果。

在上述假设中，第一个是人们正常阅读习惯，并具有已有研究结果的支撑。

针对假设二，图1为其提供了进一步的证据，显示了用户“查阅查看”和“快速浏览”结果的最大数量之间的差异分布。

图1 两种访问方式下交互动作数量差异（diff）分布

对于第三个假设，首先定义两个与“查阅查看”动作相关的特征，如式（1）所示，为用户“查阅查看”数量最多的结果排序位置；为“查阅查看”不同属性结果的数量。其中，w为使用线性回归得到的线性组合最佳系数；为偏移参数。

表2显示了拟合参数取值影响占比，支撑了上文给出的第三个假设。在其他因素保持不变的情况下，diff随用户“查阅查看”数量最多的结果排序位置(＞0)的增加而增加，随不同属性结果的“查阅查看”数量(＜0)的减少而减少。

表2 拟合参数取值影响占比

综合上述三个假设条件，累积分布(diff≥)是用户“快速浏览”从返回结果(,)到(,)+的占比，其中(,)是用户在“快速浏览”结果时“查阅查看”最多结果的排序位置。建立如下三个模型：

模型1：基于启发式方法，设计一个具有“相似行为”的函数近似表征(diff=)，并通过“快速浏览”和“查看查阅”日志记录来选择参数。具体定义如下：

其中：为超参，经验取值为0.832；为控制衰变率的参数。根据交互日志中不同用户访问数据库的方式不同，分别计算如下：

模型2：前期分析中发现，diff依赖于和这两个因素。为了更精准地估计，对衰变参数进行线性拟合，则有：

则模型1可近似等价地定义为：

模型3：为了更精确地估计推断，需要进一步使用用户“查阅查看”的分布密度来估计用户在最后一次点击“快速浏览”之后的返回结果数量。设(imp=|,)为用户在对结果进行“查阅查看”时，已完成对结果“快速浏览”的概率。同时提出“查阅查看”间断分布(gap=|,)，即用户在面对个返回结果时，连续“快速浏览”个结果而不“查阅查看”的概率。于是模型3可定义为：

其中：(gap≥(·|))是由用户发出的所有查询的平均值决定的；用户的总体推断模型(imp=|,)也是通过求平均值来计算的。

其中：C()为记录的用户“查阅查看”次数；为经验常数。

4 测试评估

本文分析了高校图书馆数据库服务器所提供的交互日志，其中包含利用移动设备（Android/iOS）应用程序发起查询的1.58万条搜索查询交互日志，以及通过台式机/笔记本电脑浏览器发起查询的40 129条交互日志。

如图2和图3显示了得到的经验条件连续概率 ，并将其与SDCG和INSQ的两条参考曲线进行了比较。“快速浏览”下的延续概率与“查看查阅”的明显不同。

图2 “快速浏览”下的条件延续概率

图3 “查看查阅”下的条件延续概率

将近似估计的 值与使用原始查询集计算的参数进行比较，并将其 应用于“查阅查看”动作序列中。表3的数据表明三种模型下近似 与真值的加权频率均方误差（WMSE）越小越好。

表3 加权频率均方误差（WMSE）

()是根据“加权精度有效性”度量与搜索引擎结果页面中的第个返回记录相关联的权重；同时也是根据用户查看的第个记录而产生推断的直接估计。在加权精度度量中，权重()是非递增的，()≥(+1)，这意味着查看排在后面的返回结果的概率小于查看排在前面的结果。使用相对熵即K-L散度来衡量概率分布之间的差异。表4显示了在每个搜索引擎结果页面的前10个和前50个结果的计算值，数值越小越好。从实验结果可以看出，对于前10个结果的评估，模型1优于模型2；对于前50个结果的评估，模型3优于模型2。

表4 K-L散度分布差异

5 结 语

通过研究数据资源后台用户交互日志中的交互动作模式，并确认用户通常在每次“查阅查看”之前会“快速浏览”第个之前的绝大多数结果以及第个之后的少数结果，提出推断模型。该模型基于“查阅查看”动作序列来推断返回结果列表中的哪些结果可能已经被用户“快速浏览”，从而有助于对用户行为模型予以修订，为下次精准搜索提供依据。