搜索引擎

搜索和推荐都是向用户提供用户需要的信息，搜索，由用户检索"拉动"，包含"Query"；推荐的基本是"推动"，由系统进行推送。

有的业务场景中，通过q2i的用户反馈信息进行排序，进一步提升业务指标。

1. requirements

产品/功能/use cases

  • Is it a generalized search engine (like google) or specialized (like amazon product)?

  • What are the specific use cases and scenarios where it will be applied?

  • What are the system requirements (such as response time, accuracy, scalability, and integration with existing systems or platforms)?

  • How many languages needs to be supported?

  • What types of items (products) are available on the platform, and what attributes are associated with them?

  • What are the common user search behaviors and patterns? Do users frequently use filters, sort options, or advanced search features?

  • Are there specific search-related challenges unique to the use case (e-commerce)? such as handling product availability, pricing, and customer reviews?

目标类

  • What is the primary (business) objective of the search system?

  • Personalized? not required

约束类

  • Is their any data available? What format?

  • response time, accuracy, scalability (50M DAU)

  • budget limitations, hardware limitations, or legal and privacy constraints

  • What is the expected scale of the system in terms of data and user interactions?

2. ML task & pipeline

搜索，先对文档进行预处理并建立索引，根据用户查询，从索引中查询匹配，然后排序返回。

搜索引擎的六个核心组件：爬虫、解析、索引、链接关系分析、查询处理、排名.

query understanding

  • 预处理，无效字符、表情直接丢掉，截取前n个字等

  • 纠错，包括错误检测和自动纠错，目前的方法有：噪声信道模型、序列标注模型、seq2seq模型

  • 分词&词性标注，一般都是现成的分词工具+用户词典来做了

  • 词权重计算，计算每个词的重要性，一般会根据用户的点击日志离线算好

  • 同义词

  • 意图分析，为了意图可以扩充，所以一般做成很多个二分类任务，方法比较多，最常见的还是CNN，也有BERT蒸馏到CNN的

  • 实体识别，识别搜索词中的实体词，一般也是序列标注模型BILSTM+CRF，或者BERT蒸馏到BILSTM

  • 丢词，因为目前的搜索引擎更多的是还是以文本匹配的方式进行文档召回，所以如果query中有一些语义不重要的词，那就会丢弃了，并且往往会有多次丢词，比如：北京著名的温泉，在进行召回的时候，会先丢弃“的”字，以“北京、著名、温泉”三个词去和文档集求交集，如果没有好的结果，这三个词会继续丢词，以“北京、温泉”和文档集求交集，这里一般也是用序列标注来做

  • Query改写，其实丢词&纠错也都算改写的一种，不过这里的改写是指找到原始Query的一些等价或者近似Query，规则的方法比较多，也有用seq2seq的

整个搜索召回的流程大致如下，以搜索“北京著名的温泉”为例：

  1. 对输入的查询进行预处理，比如特殊字符处理、全半角转换。

  2. 查询分词和词性标注，“北京”是地名、“著名”是形容词、“的”是助词、“温泉”是名词。

  3. 基于词表的一次丢词，“的”作为停用词被丢弃。

  4. 同义词改写，对分词的Term匹配同义词，如“温泉”和“热泉”是同义词。

  5. 在同义词改写的同时分析chunk tag，“北京”是城市、“著名”是品类修饰词、“温泉”是品类词。

  6. 基于Chunk分析的结果识别Query整体为品类意图。

  7. 同时计算Term在Query中的重要度，“北京”为0.48、“著名”为0.39、“温泉”为0.55。

  8. 基于品类意图确定检索字段和相关性计算的逻辑，比如距离加权。

  9. 由于所有POI的文本字段中都不包含“著名”，一次召回无结果，因此扩大POI范围，在无合作POI集合中进行二次检索。

  10. 由于无合作POI的文本字段也不包含“著名”，二次召回也无结果，因此基于Chunk丢弃品类修饰词“著名”，然后进行三次检索。

  11. 最终返回搜索结果列表，“顺景温泉”、“九华山庄”等北京著名温泉。

3. data collection

  • The ranking was good if the user clicked on some link and spent significant time reading the page.

  • The ranking was not so good if the user clicked on a link to a result and then hit “back” quickly.

  • The ranking was bad if the user clicked on the “next page” link.

4. feature

  • user

  • context

  • query

  • item

  • user-item

  • query-item

5. model

  • Point-wise LTR, pairwise LRT

  • rerank

6. evaluation

offline

online

  • 相关性

  • 内容质量

  • 时效性

  • 个性化

7. deploy & serving

8. monitoring & maintenance

reference

Previous推荐系统NextYoutube视频推荐

Last updated