搜索引擎的点餐哲学：点击模型Click Model从点击中读懂真实偏好

可视化演示

演示搜索引擎点击模型：位置偏置建模、级联浏览假设与点击/转化信号融合，直观展示用户隐式点击行为如何驱动搜索排序优化。

点击数据基础

开餐厅的第一步，不是研究菜谱，而是准备一本像样的点餐记录本：每位顾客点了哪道、在哪一页停留了多久、是不是只看了一眼就走。搜索引擎也一样，用户的每一次查询、展示、点击和跳过，都被服务器的日志忠实地记录下来。这些日志不像调查问卷那样需要用户主动配合，而是“顺手产生”的隐式反馈——用户根本不知道自己在填一张无声的问卷。隐式反馈覆盖面广、采样成本低，是点击模型最主要的“食材”。

但隐式反馈也会掺假。有人手滑误点了不感兴趣的结果，有人被夸张的标题骗进去又立刻关掉，还有人点了广告位自己却浑然不觉。搜索引擎要做的第一件事，就是把日志里的噪声过滤掉：剔除爬虫流量、合并同一会话中的重复点击、标记无效曝光。配合记录的还有展示上下文——查询词、结果排序、页面位置、时间、设备类型。这些信息就像点餐记录本旁边的备注栏：“晚上八点，一位常客翻到第三页，点了微辣的菜。”

有了干净的点餐记录本，一切推断才有了根基。日志里最朴素的统计量是点击率：某个位置被点击的次数除以它被展示的次数。

点餐记录本记得越细致，后面对“真实口味”的判断就越可靠。日志的质量，直接决定了点击模型的上限——再聪明的经理，面对一本残缺不全的记录本也无能为力。

位置偏置修正

现在，经理发现菜单第一行的菜总是被点。难道它真的是招牌？未必。顾客打开菜单，目光最先落在第一行，这是一条物理规则——“看都没看到”的菜不可能被点。这个现象在搜索领域叫位置偏置：排名靠前的结果天然获得更多曝光，也因此更容易被点击。这是一种与结果本身好坏无关的系统性偏差。如果不修正它，排序系统就会陷入恶性循环：排前面的结果点击多，于是系统觉得它好，继续让它排前面，真正优质却排在后面的结果永无出头之日。

聪明的经理不会只看表面点单量，而是问一个问题：顾客“看到”这道菜的概率和“喜欢”这道菜的概率分别是多少？点击这一行为，恰恰是两者联合作用的结果。用数学写出来，就是点击被拆成了两个因子的乘积：

位置偏置修正的核心，就是把 a_i 从点击行为中剥离出去，留下 r_i 这个“真实相关性”信号。餐厅经理懂得扣除菜单首页的曝光红利；搜索引擎同样需要扣除排名位置的虚火，才能知道哪道菜真正受欢迎。

级联假设

你有没有注意过自己和朋友吃饭时翻菜单的方式？大多数人不会从中间随机翻起，也不会来回跳读，而是从第一行开始，一行一行往下扫，看到想吃的菜就合上菜单。搜索引擎用户的行为惊人地相似：他们通常从第一条结果开始，逐条向下判断，要么“这个不相关，跳过”，要么“这个不错，点进去看看”。一旦点到了满意的结果，就不再往下浏览。这就是级联假设（Cascade Hypothesis）。

级联假设用一组条件概率描述“是否查看下一条结果”：如果用户已经查看了第 i 条结果，并且觉得它不相关，那么他大概率会接着看第 i+1 条；如果他觉得相关，就会停下来，不再消耗后面的结果。这个“满意即停、不满意继续”的规则，用公式表达为：

级联假设给了行为建模一个清爽的“读法规则”，让模型不用猜测用户会不会跳着看。但它也有局限：在图片搜索、广告瀑布流、移动端双列信息流等场景，用户经常跳读和回看。

经典模型族

经理开始意识到，不同顾客的点餐习惯差异很大。有人从来不翻菜单，只点第一页的推荐菜；有人从第一道菜一路试下去，吃到满意才停；有人看得不耐烦，跳着翻几页又回来；还有人点了菜，吃了一口不满意就继续翻。针对这些不同习惯，搜索领域发展出了一个点击模型家族族。它们并非互相替代，而是对“用户如何浏览结果页”这一关键假设的不同刻画。

最简单的叫位置偏置模型（PBM），它假设用户点击某条结果只取决于两件事：结果所在的位置和结果本身的相关性。PBM 是点击模型家族的“入门款”，公式如下：

在 PBM 之后，级联偏置模型（CBM）引入了“逐项浏览”的顺序规则；用户浏览模型（UBM）放宽了限制，允许用户跳过或回看；而动态贝叶斯网络（DBN）不但建模点击，还显式建模“点击后是否满意”——就像经理不仅要看食客点了什么，还要观察他吃完后是心满意足地放下筷子，还是皱眉继续翻菜单。选择哪个模型，取决于你观察到的用户行为模式有多复杂：日志简单用 PBM，场景复杂用 DBN。

训练与推断

点餐记录本攒了厚厚一摞，经理想从里面反推出每道菜“真实受欢迎度”。这就是训练：模型把历史点击日志当作“答案”，不断调整自己的参数，直到能最大程度地解释这些记录。在数学上，这个过程叫最大似然估计——寻找一组参数，使得“观测到这本记录本”的概率最大。

但这里有个难题：用户“是否真的看到了这个结果”“点击后是否满意”，都像顾客的内心活动一样不可观测。这些隐变量让似然函数无法直接求导。经典的解法是 EM 算法：先固定参数，估计隐变量的期望；再固定隐变量，更新参数；如此反复迭代，收敛到局部最优。模型上线后还有在线推断：每当新日志滚动而来，系统要增量更新参数，捕捉用户口味的季节变化，并对“点击很久之后才下单”这类延迟反馈做特殊处理。

点击特征工程

只看点餐记录还不够。老练的餐厅经理还会留意食客的身份：是第一次来的新客，还是每周三都来的熟客？是中午赶时间的上班族，还是晚上慢慢品味的家庭聚餐？同理，点击模型的输出——修正后的点击率——只是众多信号之一。真正驱动排序的，是一套丰富的特征向量。特征工程要做的事，就是把这些“菜谱情报”组织成模型能计算的数字。

点击相关的特征通常分为四路：查询特征（查询词长度、类目、是否为品牌词）、文档特征（文本匹配分、点击历史、质量分）、用户特征（历史点击率、偏好类目、设备类型），以及位置上下文特征（当前排在第几位、周围结果是什么）。把它们拼成一个向量，再交给排序模型加权打分：

特征工程要特别注意稀疏问题：新文档或新查询的点击记录太少，修正点击率会很不稳定。常用的招数是贝叶斯平滑——把先验均值和观测计数融合，形成更保守的估计。特征这一层做扎实了，点击模型这颗“引擎”才能真正发力。

电商搜索实践

餐厅开成了连锁店，每家分店的菜单、客群、时段各有不同，但“观察点餐行为”的方法可以复用。在电商搜索场景里，点击模型的价值尤为突出：商品卡片密密麻麻排在屏幕上，用户扫一眼就滑过去了，位置的影响比内容资讯搜索还要大。这时候，用修正后的点击率替代原始 CTR，能大幅减少“靠前虚火”的干扰。

电商排序的目标不止是“让用户点进来”，还要“让用户买下来”。因此，最终打分常常是多方信号的加权融合：文本相关分负责“菜对不对题”，修正点击率负责“用户爱不爱看”，预估成交转化（GMV）负责“会不会真的掏钱”：

实际落地时，团队会用离线指标（NDCG、DCG、点击预测的 AUC）先做一轮筛选，再通过线上 AB 实验验证效果。冷启动阶段，新商品没有一点点击历史，系统就借用同类目先验做平滑，或者用位置偏置类模型估计一个保守的初始点击率。经理把这套观察法复制到所有分店，就能让好菜不再被菜单顺序埋没，让优质商品在搜索结果里浮出水面。

---

AI 应用场景

Python 演示

import numpy as np def generate_logs(n_docs=10, n_pos=10, n_show=8000, seed=42):    rng = np.random.default_rng(seed)    rho_true = rng.uniform(0.1, 0.9, n_docs)    alpha_true = np.linspace(1.0, 0.1, n_pos)    logs = []    for _ in range(n_show):        doc = int(rng.integers(0, n_docs))        pos = int(rng.integers(0, n_pos))        click = int(rng.random() < alpha_true[pos] * rho_true[doc])        logs.append((doc, pos, click))    return logs, rho_true, alpha_true def estimate(logs, n_docs=10, n_pos=10, rounds=60):    alpha = np.full(n_pos, 0.7)    rho = np.full(n_docs, 0.7)    for _ in range(rounds):        for d in range(n_docs):            num = 0.0            den = 0.0            for doc, pos, click in logs:                if doc == d:                    num += click                    den += alpha[pos]            rho[d] = np.clip(num / (den + 1e-6), 0.01, 0.99)        for p in range(n_pos):            num = 0.0            den = 0.0            for doc, pos, click in logs:                if pos == p:                    num += click                    den += rho[doc]            alpha[p] = np.clip(num / (den + 1e-6), 0.01, 0.99)    scale = alpha[0]    return alpha / scale, rho * scale def main():    logs, rho_true, alpha_true = generate_logs()    alpha_est, rho_est = estimate(logs)    print('真实相关性:', np.round(rho_true, 3))    print('估计相关性:', np.round(rho_est, 3))    top3_true = list(np.argsort(rho_true)[-3:][::-1])    top3_est = list(np.argsort(rho_est)[-3:][::-1])    print('真实Top3文档:', top3_true)    print('估计Top3文档:', top3_est)    print('Top3重合率:', len(set(top3_true) & set(top3_est)) / 3) if __name__ == '__main__':    main()

1. logs.append((doc, pos, click))用“真实相关性”乘“位置偏置”得到点击概率，模拟用户点击，生成一条点击日志。
2. den += alpha[pos]分母是所有曝光概率之和，用于把点击次数换算成不受位置影响的真实相关度。
3. rho[d] = np.clip(num / (den + 1e-6), 0.01, 0.99)更新文档相关性，并裁剪到合法概率范围，防止除零或越界。
4. scale = alpha[0]取第一个位置的偏置系数作为归一化基准，因为位置偏置和相关性可以整体缩放而不改变点击概率。
5. alpha / scale, rho * scale统一尺度后得到可解释的位置暴露系数和真实相关度。
6. top3_true` 与 `top3_est对比真实和估计的 Top3 文档，用重合率直观检验模型是否还原了真实排序。

常见误区

面试题