[논문 리뷰] Simrank++: Query rewriting through link analysis of the click graph

Ioannis Antonellis, Héctor García-Molina외 1명|ArXiv.org|2007. 12. 04.

Advanced Graph Neural Networks참고 문헌 9인용 수 46

한 줄 요약

이 논문은 스폰서드 검색를 위한 향상된 쿼리 리라이팅 프레임워크인 Simrank++를 제안하며, 전통적인 SimRank에 비해 클릭 그래프에서의 엣지 가중치와 증거 점수를 통합함으로써 성능을 향상시킨다. 이 방법은 리라이팅 품질, 커버리지, 깊이 모두를 크게 향상시키며, 가중치가 부여된 Simrank는 5개의 리라이팅에서 86%의 정밀도를 기록하고 상위 리라이팅 정확도가 96%에 이를 정도로 기준 방법들을 능가한다.

ABSTRACT

We focus on the problem of query rewriting for sponsored search. We base rewrites on a historical click graph that records the ads that have been clicked on in response to past user queries. Given a query q, we first consider Simrank as a way to identify queries similar to q, i.e., queries whose ads a user may be interested in. We argue that Simrank fails to properly identify query similarities in our application, and we present two enhanced version of Simrank: one that exploits weights on click graph edges and another that exploits ``evidence.'' We experimentally evaluate our new schemes against Simrank, using actual click graphs and queries form Yahoo!, and using a variety of metrics. Our results show that the enhanced methods can yield more and better query rewrites.

연구 동기 및 목표

• 직접 입찰가가 부족한 상황에서 스폰서드 검색에서 효과적인 쿼리 리라이팅을 생성하는 데 도전하는 것.
• 클릭 그래프의 구조적 및 정량적 특징을 고려하여 표준 SimRank를 개선하는 것.
• 이력 클릭 패턴과 유사도 전파를 활용하여 리라이팅의 수와 품질을 높이는 것.
• 실제 Yahoo! 클릭 데이터와 인간 평가를 활용하여 향상된 SimRank 변종의 효과성을 평가하는 것.
• 더 나은 광고 타겟팅과 수익 창출을 지원하는 확장 가능한 데이터 기반의 쿼리 리라이팅 방법을 개발하는 것.

제안 방법

• 쿼리와 광고를 연결하는 양방향 클릭 그래프를 기반으로 쿼리 유사도를 모델링하기 위해 SimRank를 확장한다.
• 클릭 빈도 또는 신뢰도를 반영하기 위해 클릭 그래프의 엣지 가중치를 통합한 가중치가 부여된 Simrank를 도입한다.
• 쿼리 간 간접적인 유사도 경로의 강도를 정량화하기 위해 증거 기반 Simrank를 제안한다.
• 정규화 및 수렴 검사를 수행하는 공유 이웃 기반 반복적 유사도 계산을 사용한다.
• 확장성을 위해 관련 쿼리-광고 상호작용에 집중하는 서브그래프 추출 기법을 활용한다.
• 유사도 점수를 수동 평가 및 정밀도/재현율 메트릭과 결합하여 리라이팅을 순위 매기고 검증한다.

실험 결과

연구 질문

• RQ1 쿼리와 광고의 내용이 최소한일 경우 Simrank가 스폰서드 검색에서 유용한 쿼리 리라이팅을 효과적으로 식별할 수 있는가?
• RQ2 클릭 그래프의 엣지 가중치가 쿼리 유사도 점수의 품질과 신뢰도에 어떤 영향을 미치는가?
• RQ3 증거 기반 유사도는 리라이팅의 커버리지와 관련성에 어느 정도 향상시키는가?
• RQ4 가중치가 부여된 Simrank는 정밀도, 재현율, 리라이팅 깊이 측면에서 기준 방법과 비교해 어떻게 성과를 내는가?
• RQ5 향상된 Simrank 변종은 기존 기술보다 쿼리 리라이팅 후보의 매력도를 더 잘 예측할 수 있는가?

주요 결과

• 가중치가 부여된 Simrank는 5개의 리라이팅에서 86%의 정밀도를 기록했으며, 증거 기반 Simrank(80%)와 단순 Simrank(75%)보다 뚜렷한 향상을 보였다.
• 메서드는 99%의 쿼리 커버리지를 유지했으며, 상위 리라이팅의 품질이 높은 쿼리 비율이 96%였고, 증거 기반 Simrank는 81%, 단순 Simrank는 80%였다.
• 가중치가 부여된 Simrank는 테스트 쿼리의 92%에서 가장 바람직한 리라이팅을 정확히 예측했으며, 증거 기반 Simrank(54%)와 단순 Simrank(54%)를 뛰어넘었다.
• 85% 이상의 쿼리가 강화된 방법을 통해 5개의 리라이팅을 확보했으며, 증거 기반 Simrank는 89%를 기록했고, 가중치가 부여된 Simrank는 이 깊이를 유지했다.
• 증거 점수의 추가로 리라이팅의 품질과 깊이가 향상되었으며, 가중치가 부여된 Simrank는 커버리지나 깊이를 희생시키지 않은 채 정밀도를 더욱 높였다.
• Yahoo!의 에디터리얼 팀의 수동 평가 결과, 가중치가 부여된 Simrank는 피어슨 상관계수나 표준 SimRank보다 더 관련성 있고 유용한 리라이팅을 생성했다.