6月29日，阿里巴巴在杭州召开2017天猫双十一发布会，宣布启动：双11超级IP计划。今年晚会将由北京卫视、浙江卫视、深圳卫视三台同时直播。淘宝直播、优酷等在内的多家平台同步跟上，让澳门、香港、新加坡等地也能同步收看天猫双11晚会，相信今年的双11一定会成为举世瞩目的全球狂欢节。
同时，为2016双11提供技术支持的团队也首次曝光了其研究成果，通过CLOSE排序算法，2016双11CPU的使用率降低了约45%，搜索的平均延迟下降了约30%（平均的搜索latency从33ms下降到24ms），同时CLOES本身带来的GMV提升了近1%。相关论文《Cascade Ranking for Operational E-commerce Search》也被国际数据挖掘顶会KDD 2017收录。
该论文设计并实现了一种级联式电商搜索方式：它的主要思想是将一次排序分成递进的多个阶段，各阶段使用逐渐复杂的特征去得到逐渐准确的结果。在靠前阶段使用简单特征过滤显然不合要求的结果，在靠后阶段使用复杂特征辨别难以区分的结果。除此以外，算法结合电商场景的特殊性，严格限制了引擎的响应时间以及返回商品的数量，以保证用户的搜索体验。
离线实验和在线实验均验证了算法的正确性以及有效性，对比传统的方法能提升准确率的同时大幅提升了计算性能；在去年双11，在新增了大量准确又耗时的计算特征(包括强化学习和深度学习特征)的情况下，算法极大的保证了引擎的效率，使排序对引擎的压力下降40%，同时使排序效果有较大提升。
KDD 2017将于8月13日召开
针对这篇论文，阿里妹公布独家技术解读：
面临的问题
淘宝的搜索系统无疑是全球最大的电商搜索系统。“最大”这里包括商品量、用户量，包括引导的成交额、点击成交量，还包括引擎的访问次数、访问QPS…这样一个搜索引擎，所需要面对的访问压力也是巨大的，尤其在“双十一”等大促场景，压力更是平时的数倍。
另外一般搜索引擎的目标主要是引导点击，而在电商中，排序的结果更希望引导的是成交量和成交额。因此我们的搜索系统、排序方案需要考虑多种实际问题。首先是在有限计算资源情况下，如何拿到更好的排序结果；其次是怎样保证用户的搜索体验，包括结果返回时间、返回商品量等；最后是怎么保证电商场景下的多目标，包括点击、成交量和成交额。
已有方法的不足
学术界和工业界都有大量learningto rank方面的研究，均期望能通过机器学习，为用户给出更优的排序结果。然而绝大部分相关工作都集中在如何提升排序的质量，却并不关系排序的效率，而太低效的排序方案在实际的工业在线应用中，往往是不可接受的。
淘宝搜索和其他类似应用主要采取的解决方案是使用一种“两轮排序方案”：在第一轮使用非常简单的特征去得到一个小的候选集；第二轮在小的集合上做复杂的排序。可是这种启发式的方案并不能保证性能与效果的取舍是最优的。基于以上考虑，我们需要一种全新的、工业可用的、能更合理平衡效率与性能的排序方案。
CLOSE排序算法，平衡性能与效率，保障用户体验
论文受图像中快速目标检测算法的启发，发现并不是引擎中的每个商品都需要全部特征参与计算、排序——一些基本特征能帮助过滤掉大多数商品；逐渐复杂的特征过滤逐渐难以区分好坏的商品；全部特征排序剩余商品。基于这样的思想，论文提出了一种多轮级联排序方法Cascade model in a Large-scale OperationalEcommerce Search application（CLOES）。
CLOES主要采用了一种基于概率的cascade learning方法，将排序分为多轮计算；将排序效果和CPU的计算量作为优化目标，一起建立数学模型，同时优化。除了考虑性能与效率，算法还考虑了用户的搜索体验，保证用户在输入任何一个query后都能在限制时间内得到足够的返回结果。最后CLOES还考虑了电商场景的特殊性，保障了多目标的平衡与可调整。
平衡性能与效率的排序
（Query-Dependent Trade Off Between Effectiveness and Efficiency）
论文最重要的部分就是怎么样去平衡一个排序算法的性能和效率，那么我们主要使用的方法是cascade learning，即将一次排序拆分成多个递进阶段(stage)，每个阶段选用逐渐复杂的特征去过滤一次商品集合。同时我们使用learning to rank设定，将排序问题转化为一个二分类问题，预估每个商品的点击率。
如图所示，我们记一个商品x(表示为一个k维向量)在Query q下，能通过第j个stage的概率为，其中表示sigmoid函数。那么一个商品最终能被点击的概率为能通过所有stage的概率之积:
我们通过极大似然估计去拟合样本，使用负的log似然来表示损失函数，那么基础的损失函数可以表示为L_1。L_1关注的是排序的准确性：
用户体验保障（Multiple Factors of User Experience）
如果直接使用上述模型，确实可以直接降低引擎的负载，但是仍然存在2点用户体验上的问题：一是对于某些query（特别是hot query），可能计算latency仍然会非常高；二是某些query（一般是长尾query）下，返回给用户的结果特别少。那么为了解决这2个问题，我们进一步的增加了2个约束：单query下的latency不能超过100（只是举例，不一定是100）ms；返回给用户的结果数不能小于200。那么很自然的，我们会想到使用类似SVM的loss形式：
商品场景下的多目标（Importance Factors of E-commerce Search）
离线与在线验证
在离线验证了算法效果后，我们在双11前夕对算法进行了上线，以期望降低引擎的计算压力。上线期间的引擎CPU使用率以及平均搜索latency变化如下图：可以看到CPU使用率从32%下降到18%；而平均的搜索latency从33ms下降到24ms，图中有2条曲线分别表示引擎的2个集群。需要注意的是，在引擎压力大量下降的情况下，线上的排序指标，包括CTR和GMV是略上升的。
受益于CLOES，在双11当天，引擎的负载在最高峰也没有超过70%，CPU的使用率降低了约45%，搜索的平均延迟下降了约30%，同时CLOES本身带来的GMV提升了近1%。考虑到其他因为性能改善而能上线的特征（包括实时特征和RNN特征等），排序的CTR提升有10%-20%，同时成交量、GMV等指标也有大幅提升（指标对比基于标准A/B Test）。
总结
搜索对于电商来说是最大的流量入口，搜索排序的质量对用户的体验、对商家的收入、对平台的效率都会起到至关重要的作用。未来淘宝搜索会继续以用户的搜索体验为主要目标，为用提供能更优质、更能满足用户个性需求的排序结果。
本文出自阿里技术公众号，原文链接
