本文介绍了一个与 TREC 深度学习赛文献语料库相关的点击数据发布，通过初步实验，利用点击数据扩充 TREC DL 训练数据的效果达到了较大改善，该数据集的生成过程、特点、在排名中的应用以及其他潜在应用均有描述。

Jun, 2020

本研究基于 Transformer 的修改方法和负样本抽样策略在 TripClick 健康信息检索集合中取得较大的提升，同时使用领域特定的预训练模型，将稠密检索与 BM25 进行比较，发现即使使用简单的训练过程，稠密检索也能显著优于 BM25。

Jan, 2022

该论文提出了一种基于神经网络的技术来确定点击数据的案例概念，从而使过程挖掘和其他过程分析技术能够在用户交互数据上进行。研究表明此方法可扩展到大数据集，而使用此技术可以带来可操作的流程洞察。

Nov, 2022

通过处理搜索结果展示方式，消除展示偏见获取更客观的用户隐式反馈，取得更佳的排序效果。

May, 2006

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

介绍了 CWRCzech，一种点击网络排名数据集，该数据集包括由 Seznam.cz 搜索引擎日志收集到的相关性排名的捷克语点击数据以及用户行为数据。该数据集是迄今为止最大的包含原始文本的点击数据集，共提供了搜索结果中的文档位置以及用户行为信息：约 2700 万次点击和 1080 万次停留时间。此外，我们还发布了一个人工标注的捷克语相关性任务测试集，包含近 5 万个查询 - 文档对，每个对都由至少 2 个注释者标注。最后，我们分析了用户行为数据如何改善相关性排名，并表明在足够规模上自动利用数据训练的模型可以超过基于人工标注数据训练的模型的性能。CWRCzech 以学术非商业许可证发布，可供研究界使用。

May, 2024

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

本文提出了一种基于神经网络和图增强的点击模型 (GraphCM)，通过在构造的同质图中提取查询和文档之间的信息，分别对吸引力评估器和考试预测器进行建模，通过组合功能将考试概率和吸引力评分融合到点击预测中，综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。

Jun, 2022

文章提出采用反事实风险最小化法（CRM）来实现从真实世界的日志数据中学习排名模型，以避免需要有关性的判断和数据聚合，此方法更适合从 Logged 数据中学习，CRM 方法有效地从 Logged 数据中学习，效果显著优于基线排名器（λ-MART），并且优于各种深度神经网络模型的全信息损失（例如交叉熵）的表现。

Jul, 2019