研究搜索引擎结果页面和其中的要素对点击率和网站流量的影响，揭示 SERP 特征不仅是美学组成部分，还能强烈影响用户行为。通过模拟点击率，演示了这些要素的逐步预测能力。

May, 2023

本文研究通过用户与搜索结果的互动来评估电子商务搜索引擎的表现，并通过分析用户行为模式和构建分类器来预测查询性能，最终取得了平均 0.75 的 AUC。

Aug, 2018

本研究提出了一种可解释的 Web 搜索引擎结果页面，包括查询词权重和段落相关性等可视化元素，用户评估结果显示明显更好。

Jun, 2021

该研究提出了一种基于神经网络的点击序列模型，可用于预测用户与搜索引擎结果的交互行为，并在多个预测任务中取得了最先进的结果。

May, 2018

本文提出了一种评估算法来预测历史日志数据中排名列表上的点击数，并使用用户与项目列表的交互模型来构建统计效率更高的估计器。实验结果表明，相对于先前的估计器，该算法具有更高的性能表现。

Apr, 2018

本研究旨在通过用户点击喜欢和不喜欢的搜索结果提供反馈，以指导搜索过程，构建了新的基于时尚领域大规模数据集的点击反馈检索基准，证明了将点击反馈纳入训练可以显著提高检索质量。

Apr, 2023

该论文提出了一种新的上下文感知用户行为建模思路，通过包含完整页面上暴露的产品和相应的反馈作为上下文的页面级反馈序列，可以捕捉到页面内上下文信息和页面间兴趣演化，以学习更具体的用户偏好。作者设计了一种采用页面上下文感知注意力的新型神经排序模型 RACP，使用递归注意过程来建模页面间的兴趣收敛演化，实验在公开数据集和真实工业数据集上验证了该模型的有效性。

Mar, 2022

通过实验室用户研究和商用搜索日志，研究了 Web 图像搜索的用户交互行为，提出了一种称为基于网格的用户浏览模型（GUBM）的新型交互行为模型，可捕获用户的交互行为，并减轻位置偏差。实验结果表明，GUBM 在行为预测、主题相关性和图像质量方面优于基线模型和原始排名。

May, 2018

为了与多块移动页面相容，该研究通过用户注视数据发现了针对 F 形多块页面的相关模式，提出了基于 DAG 和 GRU 结构的 F 形 Click 模型，能更准确地预测用户的交互行为.

Jun, 2022

通过构建一个应用于电商赞助搜索的层次化网络框架，结合历史广告点击数据来进行信号、检索关键词和广告的关联，选择模型权重最佳的边缘来提高 RPM/CTR，从而达到多维度广告检索和推荐的目的。

Dec, 2017