数量上限、付费位置拍卖与搜索引擎的排序行为

按照行业规制,中文搜索引擎企业对其付费搜索结果列表实施了位置数量上限的约束。这一约束在付费位置不定数的第二价格拍卖规则下,将对搜索引擎的排序行为产生影响。本文基于中国搜索引擎企业实践,以商品关键词检索领域的消费者层面数据为样本,构造契合消费者顺序检索习惯的实证框架,运用多层贝叶斯回归、断尾回归等分析工具,在数量上限的情形下,考察搜索引擎排序行为的匹配效应与利润效应,探究两者变化趋势是否一致及内在原因,进而对经典文献进行证实或证伪。研究发现:付费位置数量有上限时,搜索引擎排序行为的匹配效应随付费位置降低而凸型下降,且仅有最后1个付费位置的匹配效应为负值;搜索引擎排序行为的利润效应随付费位置降低而凹型下降,但仅有第1个付费位置的利润效应为正值,其他付费位置的利润效应皆为负值;两者呈现不一致性的主要原因是搜索引擎所设的拍卖底价并非理论上的最优拍卖底价,降低了搜索引擎汲取利润的能力。本文实证研究结论否定了经典文献所给出的两者一致性观点,有助于纵深推进付费位置拍卖的理论研究。

面向众包数据的特征扩维标签质量提高方法

众包是一个新兴的收集数据集标签的方法。虽然它经济实惠,但面临着数据标签质量无法保证的问题。尤其是当客观原因存在使得众包工作者工作质量较差时,所得的标签会更加不可靠。因此提出一个名为基于特征扩维提高众包质量的方法 (FA-method),其基本思想是,首先由专家标注少部分标签,再利用众包者标注的数据集训练模型,对专家集进行预测,所得结果作为专家数据集新的特征,并利用扩维后的专家集训练模型进行预测,计算每个实例为噪声的可能性以及噪声数量上限来过滤出潜在含噪声标签的数据集,类似地,对过滤后的高质量集再次使用扩维的方法进一步校正噪声。在8个UCI数据集上进行验证的结果表明,和现有的结合噪声识别和校正的众包标签方法相比,所提方法能够在重复标签数量较少或标注质量较低时均取得很好的效果。