理解产品搜索中异常项的视觉显著性

《ACM Transactions on Information Systems》：Understanding Visual Saliency of Outlier Items in Product Search

在二手市场环境中，异类项的感知受底层视觉因素（如颜色、对比度）和顶层认知因素（如任务预期、知识储备）共同影响。通过对比Itti & Koch模型与图基视觉显著性模型（GBVS），发现后者更擅长检测图像类异类项。眼动实验显示，在模拟电商场景中，异类项的注视时长比非异类项多23.6%，且位置偏差效应不显著。但现有模型仅依赖底层特征，无法有效区分价格、星级等异类项类型间的竞争关系。

　　

摘要

在双向市场中，商品之间会竞争用户的注意力，而这最终转化为供应商的收入。商品的曝光度（即其在排名中获得的关注程度）可能受到诸如位置偏见等因素的影响。最近的研究表明，商品之间的相互依赖性（例如排名中的“异常商品”）也会影响商品的曝光度。异常商品是指在特定任务相关的展示特征方面明显偏离其他商品的那些商品。理解异常商品对于确定商品的曝光度分布至关重要。

在我们之前的研究中，我们探讨了不同展示特征对用户在电子商务搜索结果页面上感知商品异常性的影响。通过将这个问题建模为视觉搜索任务，我们比较了三个主要特征的可观察性：价格、星级评分和折扣标签。我们发现，参与者在关注度和反应时间方面对这些特征的感知存在差异。各种因素，如视觉复杂性（例如形状、颜色）、具有辨识度的商品特征（例如单独的折扣标签）以及价值范围，都会影响商品的异常性。这些因素可以分为两大类：“自下而上”的因素和“自上而下”的因素。“自下而上”的因素受颜色、对比度和亮度等视觉属性驱动，而“自上而下”的因素则受到期望和先验知识等认知过程的影响。

在我们之前研究的扩展部分，我们深入分析了用户对异常商品的感知。特别是，我们关注了之前研究中未解答的两个关键问题：(i) 独立的“自下而上”视觉因素对产品列表中商品异常性的影响是什么？(ii) “自上而下”的因素如何在真实的在线购物场景中影响用户对商品异常性的感知？

我们首先从“自下而上”的因素入手，利用视觉显著性模型来评估它们仅基于视觉属性检测产品列表中异常商品的能力。然后，为了研究“自上而下”的因素，我们在与之前视觉搜索实验相同的任务（在线购物）上进行了眼动追踪实验。这一次，我们将任务设计为一个模拟的电子商务环境，以更贴近现实世界的场景。此外，我们采用眼动追踪不仅是为了更接近实际情况，也是为了解决视觉搜索任务中反应时间的准确性问题。在实验中，参与者与真实的产品列表进行交互，其中一些列表中的商品在图像、价格和折扣标签等不同展示特征方面存在异常。

我们的实验表明，视觉显著性模型能够检测到“自下而上”的因素，一致地突出了具有强烈视觉对比度和注意力热点的区域。虽然著名的Itti & Koch模型可以检测图像中的普遍视觉注意力模式，但基于图的视觉显著性模型（GBVS）能更有效地识别视觉异常。然而，我们也应该意识到这些模型的局限性。视觉显著性模型仅依赖于“自下而上”的因素，因此它们无法区分不同的产品特征或将它们相互比较。

我们对没有异常商品的产品列表进行的眼动追踪实验结果显示，尽管产品描述在视觉上吸引力较低，但它们吸引了最快的关注度，这表明了“自上而下”因素和用户对任务理解的重要性。我们对含有视觉异常商品的产品列表的观察表明，异常商品及其邻近商品更快地吸引了用户的注意（从首次注视的时间来看），这与我们在视觉搜索任务中的发现一致。然而，在眼动追踪实验中，我们观察到异常商品比非异常商品吸引了用户更长时间的关注（从注视次数和花费的时间来看）。这种效应在不同类型的异常特征（图像、价格、折扣标签）以及列表中的不同位置上都是一致的。