点击快排原理与天花板:点击、停留如何成为质量信号

前几篇我们从召回门槛一路讲到链接权威与域名信任先验，勾勒出排序里权重最重的那些信号。这一篇转向一类性格完全不同的信号——用户行为：点击、停留、快速返回、点赞收藏。

它值得单开一篇，有两个原因。其一，它是所有「快排」类技术真正操纵的对象，理解它就理解了点击快排的原理与边界。其二，它是搜索引擎里最微妙的信号——它同时是最诱人的质量证据，和最不可靠的噪声源。这两面性，是本篇的主线。

一、点击作为隐式相关性反馈

搜索引擎每天服务海量查询，却只有极少数结果被人工标注过相关性。那么，判断「结果好不好」的最大数据源是什么？是用户自己——用户的每一次点击、停留、返回，都是一次没有明说的投票。

这就是**隐式相关性反馈（implicit relevance feedback）**的思想（Joachims, 2002）：不去问用户「这个结果相关吗」，而是观察他的行为，从中推断满意度。点了，可能相关；点进去停留很久，大概满意；点进去几秒就退回来换下一个，多半失望。

行为信号的诱人之处在于它的规模和真实性：它是数以亿计真实用户在真实意图下的自然反应，没有任何标注成本。搜索引擎把这些后验行为（停留时长、滑动次数、滑动速度与距离、点击间隔……）聚合起来，用 GBDT 这类模型拟合成一个「页面质量」的估计，再融进排序。

二、什么样的行为，被读作「满意」

不是所有点击都平等。搜索引擎真正看重的，是能区分「满意」与「失望」的行为模式。两个最核心的概念：

停留时长（dwell time）。 点进一个结果后停留的时间，是满意度的强代理。极短的停留通常意味着「这不是我要的」，而足够长的停留意味着内容留住了用户。

快速返回（pogo-sticking）。 用户点开一个结果，很快退回搜索结果页，再点另一个——这个「弹回」动作是强烈的负信号：它几乎明说了「上一个结果没能满足我」。与之相对的，是**「满意点击」**：点进去之后不再返回 SERP 的点击，被视为需求已被满足的信号。

于是行为信号的价值，不在「有没有被点」，而在「点了之后发生了什么」：

一次带长停留、不回退的点击，是强正信号；一次秒退、pogo 回 SERP 的点击，是强负信号。点击量本身几乎不重要，点击之后的满意度才重要。

这一点极其关键，因为它意味着：单纯制造「点击」而不能制造「真实满意行为」的操纵，喂给模型的其实是低质甚至矛盾的信号。

三、位置偏差：行为信号最大的谎言

现在讲行为信号的黑暗面——它系统性地说谎。

最大的谎言叫位置偏差（position bias）。同一个结果，放在第 1 位和放在第 8 位，点击率天差地别——哪怕它的相关性完全一样。原因很简单：用户从上往下看，越靠前越容易被「检视（examine）」到，越靠后越容易被忽略。

形式化这个直觉的是检视假设（examination hypothesis）：一次点击的发生，需要「结果被检视」且「结果相关」两个条件同时成立：

P(C=1 \mid d, k) = \underbrace{P(E=1 \mid k)}_{\text{位置决定}} \cdot \underbrace{P(R=1 \mid d)}_{\text{相关性决定}}

其中 $C$ 是点击、 $E$ 是检视、 $k$ 是位置、 $R$ 是相关。位置 $k$ 只影响 $P(E=1\mid k)$ ，与文档好坏无关。这条式子是一系列**点击模型（click models）**的基石：

级联模型（Cascade Model）（Craswell et al., 2008）：用户从上到下逐个检视，点击后可能停止。
动态贝叶斯网络（DBN）（Chapelle & Zhang, 2009）：进一步区分「点击」与「点击后是否满意」，把 pogo 行为建模进去。

四、去偏：把有偏的点击变成无偏的证据

既然点击被位置偏差污染，能不能纠正它？能。方法叫逆倾向加权（Inverse Propensity Weighting, IPW），是无偏 learning-to-rank（Joachims et al., 2017）的核心。

思路是：一次发生在位置 $k$ 的点击，其「本该被看到的概率」是倾向分 $p_k = P(E=1\mid k)$ 。位置越靠后， $p_k$ 越小，那么它一旦被点击，就越「难得」、越该被重视。于是给每次点击赋予 $1/p_k$ 的权重来纠偏：

\hat{\Delta}(\text{rank}) = \sum_{d\,:\,\text{clicked}} \frac{\mathbb{1}[\text{rank ranks } d \text{ high}]}{p_{k_d}}

一个在第 8 位（低 $p_k$ ）还被点击的结果，去偏后获得的信用，远高于一个在第 1 位（高 $p_k$ ）被点击的结果。IPW 让搜索引擎能从天然有偏的点击日志里，估计出无偏的相关性——这也意味着，它对「不自然的点击分布」相当敏感。

五、反馈闭环：信号会自我强化，也会被污染

行为信号还有一个结构性特征：它构成一个闭环。

排名决定了谁被看到，被看到的才可能被点击，点击又回过头训练排名。这个闭环有两个后果。其一是富者愈富（rich-get-richer）：已经排在前面的结果获得更多曝光和点击，进一步巩固排名——这也是位置偏差在时间维度上的放大。其二，也是对本篇最关键的：这个闭环是可被注入的攻击面。 如果有人能大规模制造特定结果的「点击 + 满意行为」，理论上就能向闭环注入伪造的正反馈——这正是点击快排试图做的事。

正因为这个攻击面存在，搜索引擎对行为信号分而治之——按「多容易伪造」区别对待：

对最易伪造的页面交互质量（停留、滚动的细粒度统计）→ 直接给低权重。 上一篇提到，某度模型里页面交互行为的重要度只有约 2.04；它易刷，模型本就不太靠它。
对高价值的点击-query 权威（满意点击 →「该 query 下该 URL 是好结果」）→ 舍不得降权（它约 10.5，是头部信号），改用三道真实性检验守住它：
- 去偏：IPW 先剥离位置偏差，不自然的点击分布会露馅；
- 异常检测：伪造流量在位置、时间、行为参数上偏离自然，易被识别为离群；
- 满意度门槛：只有「满意点击」（长停留、不 pogo）才被采信——制造点击容易，制造能骗过满意度判定的完整真实行为链，难得多。

换句话说：引擎没有因为「行为可伪造」就把高价值的点击权威一并降权，而是用检测去守它。这正是理解快排的关键。

六、这对 SEO 意味着什么：点击快排的原理与真实边界

现在可以准确回答「百度快排 / 点击快排」到底在做什么、边界又在哪。

它的原理：模拟「搜目标词 → 点目标 URL → 满意不返回」的点击行为。它喂的不是那个 ≈ 2.04 的页面交互质量，而是 ≈ 10.5 的点击-query 权威（CQ）——排序模型的头部信号之一。这就是为什么在前置条件满足时，快排对中段排名的推动常常立竿见影：它撬的是第一梯队杠杆，不是弱杠杆。

但「撬得动」不等于「没有边界」。 快排的真实天花板有四重——注意，没有一重是「杠杆太弱」：

召回够不到：没进候选集的词（未收录、TDK/term 不匹配），点击再多也不参与打分。这是必要条件。
撬不动链接图那一族：CQ 是头部信号的一族，但另一族——链接与站点的图结构权威（PageRank / 外链）——靠自然链接积累，点击刷不出来。
撬不动结构性域名先验：域名的年龄、历史声誉、备案，点击改变不了（尽管点击活动本身会带来一定的站点级正向溢出与更勤的抓取）。
要过反作弊质检：去偏 + 异常检测 + 满意度门槛（见上节）。这才是快排最现实的风险。

反过来，对正当 SEO，这一篇的正向启示是：最稳的 CQ 来自真实满意——让内容真正解决需求，用户自然点、自然不返回，你就同时拿到了高权重的点击权威、又不必担心反作弊。你无法可持续地伪造满意，但可以真的创造它。

小结

用户行为是隐式相关性反馈的富矿，但引擎对它分而治之：易伪造的页面交互质量给低权重，高价值的点击-query 权威（CQ）则给高权重、再用去偏与反作弊守住真实性。点击快排喂的正是后者这一头部信号，所以在能被召回、且能骗过检测的范围内有效；它的边界不在「杠杆弱」，而在四处——召回够不到、撬不动链接图、撬不动结构性域名先验、要过反作弊质检。

到这里，一个 query 进入搜索引擎之后的旅程——召回、排序、反馈——已经走完。但还有一段更靠上游的故事：在你按下回车之前，搜索引擎就已经在猜你想搜什么了。那个下拉框里的联想词是怎么来的？它遵循和排序完全不同的一套逻辑。这是本系列最后一站——查询理解与自动补全。