SLTB（2012SIGIR-baseline）

亮点：

结合长短期用户行为构建用户profile

贡献：

1. 提出了一个新的统一建模框架，该框架提供了个性化的不同参数的综合视图，并控制了关键方面，如行为生成的特征和使用的衰减因子。
2. 确认了这样的直觉：长期行为在会话开始时是有用的，而短期模型会随着会话的进行而产生收益。
3. 提供关于搜索个性化的新发现，例如会话中第一个查询的特殊属性，以及学习为每个查询组合短期和长期功能的模型的强大性能，而不是简单地聚合所有特征；表明单个查询从短期和长期个性化中得到不同的好处。

个性化框架

图1说明了构成框架的三个时态视图之间的关系。该图还显示了当前查询的位置。为了捕捉用户当前的焦点，可以只基于最近的交互来构建一个模型。在本研究中采用的一种方法是研究session交互。考虑用户在当前会话之前与搜索引擎的历史交互，可能包括许多天或数周的活动。这种长期信息可能有助于消除不明确查询的歧义，方法是优先选择已知用户感兴趣的主题的结果。由于信息查找任务可能会扩展到多个session，当前session可能与以前的session相关。这意味着一种模式，可以在一个不断变化的时间窗口内汇总所有历史，有效地将短期和长期利益结合起来。

框架评估

给定用户发出查询q，从用户过去搜索交互的时间视图来看，view（$u_I$），可以考虑所有相关的查询related（$q$,$u_I$），其中$u_I$是用户过去发出的查询集、搜索结果以及用户与结果之间的任何行为交互。重点关注的是点击。函数related（$q$,$u_I$）返回一组与$q$相关的查询。对于每个相关的查询$q$，为该用户的当前查询建模其与当前查询的关系强度$w$（$q_r$,$q$,$u_I$）,缩写为$w$$q$${}_r$。对于每一个文档$d$,考虑它与当前查询$q$的相似性sim，还可以考虑用户对文档采取了什么操作（表示为action（））（例如，满意的点击表示文档是相关的））。可以通过选择相关的查询函数、关系权重、相似度和动作来参数化一系列与个性化相关的特征:

向量映射：

Query选择和权重设计

1. 设定session（周/月）
2. 设定时间权重：使用衰减因子为每个session分配相应的权重（可以假设最近的交互比远期交互更重要）

文档URL嵌入：

one-hot

文档主题嵌入：

ODP/LDA

action

STA（满意点击）
SAT点击需要用户在结果上停留至少30秒，或者终止搜索会话（一个session中的最后一个点击）
需求点击熵：衡量用户点击的多样性。较高的熵表示具有更多意图的查询
需求主题熵：较高的熵表示局部模糊。

实验

数据集：微软BING搜索