信息检索 (IR) 中的点击率 (CTR) 衡量的是用户在看到某个特定搜索结果或推荐后点击它的频率。 它的计算方法是将项目的点击次数除以其展示次数（曝光量）。 例如，如果一个搜索结果出现 1,000 次，被点击 50 次，则其点击率为 5%。 点击率是评估搜索或推荐引擎等信息检索系统有效性的关键指标，因为它反映了用户参与度和感知到的相关性。 开发人员使用点击率来评估其算法是否能呈现符合用户意图的内容，从而使其成为调整排名模型或过滤策略的实用工具。
在实践中，点击率帮助开发人员通过迭代测试来优化信息检索系统。 例如，在搜索引擎中，如果查询“最佳 Python 框架”的置顶结果的点击率较低，则可能表明用户认为该结果不相关或已过时。 然后，开发人员可以调整排名算法，以优先考虑像 FastAPI 这样较新的框架，而不是较旧的选项。 同样，在推荐系统（例如，视频流媒体平台）中，点击率数据可以识别哪些缩略图或标题吸引更多点击，从而能够进行 A/B 测试以改进推荐。 点击率通常在实时日志中跟踪，使团队可以将用户行为与系统更改相关联。 但是，点击率本身并不能解释用户点击的原因——它是一个表面信号，需要更深入的分析才能避免误解。
虽然点击率被广泛使用，但它也有局限性。 位置偏差——即用户点击排名较高的结果，而不管其相关性如何——可能会提高排名靠前项目的点击率，即使它们不是最优的。 例如，第一个搜索结果可能获得 30% 的点击率，仅仅是因为它位于显眼的位置，而不是因为它最匹配。 标题党内容也可以利用高点击率而不提供价值，例如误导用户的耸人听闻的标题。 为了解决这个问题，开发人员通常将点击率与二级指标结合使用，例如停留时间（用户在页面上停留的时间）或转化率（例如，点击后的购买）。 此外，诸如人工相关性判断之类的离线评估方法补充了点击率，以确保算法在用户参与度和准确性之间取得平衡。 通过理解这些细微之处，开发人员可以设计出优先考虑点击和用户满意度两者的信息检索系统。