阿里搜索推荐系统又双叒叕升级了！

小叽导读：搜索导购产品作为搜索的流量入口，承载了为用户导购推荐、搜索流量分流的重要功能。主要产品包括：首页底纹、下拉推荐、搜索发现、导航、历史搜索等。经过几年的探索和积累，各个产品越发地成熟，机器学习算法广泛地应用于导购产品中，取得了显著的效果。在支撑好手淘搜索业务的基础上，搜索导购也积极地拓展边界，支持了集团内大量的产品线。因此对搜索导购产品线提出了更高的要求：不仅需要提升本身产品的效率，更好的支持手淘搜索业务，同时也需要有一套灵活的框架，支持更多更广的业务。

一、系统框架

导购升级的优化思路从三个方向着手：1.策略升级。利用深度学习及异构网络的思想，对用户个性化进行更深的理解和建模；同时对因马太效应引起的独立query数下降等问题进行优化。 2.导购外投。在包括会场激活页、猜你喜欢等渠道进行搜索导购赋能，为用户打通搜索通路。 3.产品创新。一方面对现有的产品进行创新升级，如激活页、下拉推荐等；另一方面积极尝试新产品形态，如首页热词、搜索动态卡片等。

搜索导购核心解决对消费者关键词推荐的问题，因此虽然产品众多，形态各异，但是在底层架构上有很多共性，因此我们设计了一套通用灵活的框架进行支持。

在召回阶段，我们丰富了召回方式；并根据不同的渠道、场景以及产品形态，选择不同的召回策略得到候选query词candidates。

在排序阶段，我们不仅将深度学习引入导购算法框架中，而且创新的加入了异构网络的思想，将用户不同路径的序列信息结合lstm等模型进行有效融合，对消费者进行更深入的理解。

在业务策略阶段，我们利用 jaccard 系数、编辑距离等进行了对语义重复问题进行了优化，同时结合E&E机制对马太效应较为严重的场景进行了升级，并增加了效率轮播机制使得效率进一步的得到提升。

接下来以几个具体的产品来进行详细的介绍。

二、详细方案

2.1 底纹推荐优化

在底纹推荐的算法优化中，我们创新性地提出了基于异构网络（Heterogeneous Information Network，后面简称HIN）的推荐方法，推荐框架如下图所示：

user，item 和 query 是手淘中三种基本类型的节点，这三种类型节点之间又有不同的交互关系，比如，user 直接点击 item，user 通过查询 query 进入搜索，并在搜索里发生 item 的点击等。

但是，大多数传统推荐方法只关注特征工程，忽略了这些不同节点之间的关联关系。同时电商领域的大规模数据体量（一亿query，数十亿user和item）也是需要考虑的问题。因此我们设计提出了一种基于元路径embedding 表示的大规模 query 推荐方法，MetaPath-guided Embedding for Large-scale Query Recommendation（MELQR），它采用异构网络对 query推荐进行建模，并利用元路径通过聚合局部邻居信息来指导 user 和 query 的表示学习，此外，我们对异构网络中所有节点用term embedding的某种融合方法来进行表示，从而避免了网络学习中的大规模参数问题。

该模型结合扩召回、动态展示等策略，对线上底纹使用uv提升10%+，引导成交金额提升10%+。值得一提的是，该模型目前也同步使用到了导购的其它产品例如搜索发现、首页热词等，效果的提升同样非常明显。

2.2 首页热词优化

首页热词是今年搜索在手淘首页的一个创新性产品，可以帮助用户通过关键词找到感兴趣的商品，增强用户的搜索心智。

首页热词与底纹推荐共享系统框架与算法框架

2.3 下拉推荐优化

下拉推荐上一个版本的优化目标在于提升下拉引导pv在搜索pv中的占比，即下拉使用率。上个版本试图拟合的是用户对下拉所展示的 query 的偏好程度。但是在其使用的统计类特征中，使用的特征均都是下拉引导的数据。这就带来了一个比较严重的问题，在目前的产品形态下，每次用户输入，只能展示10个候选的 query。因此一开始展示相对较多的 query 会具有相对较高的统计值，而较高的统计值会促进该query 在排序中排到更靠前的位置。因此形成循环，久而久之，在某些特定的 query下，下拉推荐候选词的统计值特征会有非常大的差异。由此形成马太效应。马太效应一个最严重的问题就是会导致下拉展示的 query 会过度收敛到一个较小的集合中，导致引导的独立 query 数下降。

针对这些问题，我们对下拉推荐模型进行了系统的重构，框架如下：

核心思路一方面增加用户主动输入的特征以及样本，修正下拉本身的马太，另一方面强化用户个性化特征，加入用户行为序列等。优化模型上线后，对下拉本身的使用pv提升10%+。

2.4 动态卡片优化

当用户的搜索词比较宽泛时，并不能较好地表征用户的搜索意图，用户在搜索结果页的实时点击行为，能更加实时地反应用户当前的意图，此时给用户推荐符合其搜索意图的搜索词，可以提升用户体验。对通过给用户推荐相关搜索词，提升人均 query，进而提升人均pv，提升用户在搜索的停留时长。产品示例如下：

通过持续的优化，动态卡片的展示ctr已经高于商品、内容等卡片，说明用户有很强的意愿点击；同时用户人均 query 提升4%+，人均pv提升1%+，用户体验提升。

2.5 其它工作

除上述几个工作，我们还支持了搜索发现、会场搜索、推荐风向标、搜索激活页改版等项目优化。

三、双十一效果

导购产品线从多个方面进行优化升级，在双十一也取得了非常不错的效果：一方面基于异构网络与深度学习进行了算法策略升级，增强了个性化表达降低了马太效应，提升了用户使用率，例如首页底纹；另一方面将导购能力赋能于各个渠道，增强了用户搜索的心智、粘性，提升了各渠道效率，例如首页热词；并对现有的产品进行了交互形态上的创新，丰富产品活力，例如下拉推荐。双十一当天导购导流产品（底纹+热词+会场搜索+风向标）去重使用uv同比去年增速70%+，远高于搜索大盘uv增速。

四、未来工作

1.Graphembedding 的挖掘。我们已经基于计算平台 Graph mind 搭建了第一版的异构网络 metapath2vec 算法，对比 deep walk 效果已经有明显提升，接下来会继续尝试，更灵活方便的获取不同路径上节点的信息，结合gcn算法进行效果调优。

1. item2query 挖掘。i2q的数据是导购的一份基础数据，很大程度会影响导购效果。目前的逻辑核心通过用户行为生成，因此存在覆盖较低，冷启动商品无数据等问题。我们期望能结合智能生成的方法，为商品生成候选query。

3.query到图的挖掘。query以图文展示的形式可以对消费者有更直观的感受，因此我们期望能结合图像处理的算法，充分挖掘出能代表query的高质量图片。

4.激活&下拉新形态探索。在移动互联网时代，用户的生活习惯、使用方式等一直都在发生变化，我们期望通过创新的产品形态能捕捉用户的需求，增加用户的访问时间、停留时长等。