极客时间已完结课程限时免费阅读

48 | 搜索引擎（下）：如何通过查询的分类，让电商平台的搜索结果更相关？

48 | 搜索引擎（下）：如何通过查询的分类，让电商平台的搜索结果更相关？-极客时间

48 | 搜索引擎（下）：如何通过查询的分类，让电商平台的搜索结果更相关？

2019-04-05 黄申 来自北京
《程序员的数学基础课》
课程介绍

讲述：黄申

时长11:31大小10.53M

你好，我是黄申。
上一节，我给你阐述了如何使用哈希的数据结构设计倒排索引，并使用倒排索引加速向量空间模型的计算。倒排索引提升了搜索执行的速度，而向量空间提升了搜索结果的相关性。
可是，在不同的应用场景，搜索的相关性有不同的含义。无论是布尔模型、向量空间模型、概率语言模型还是其他任何更复杂的模型，都不可能“一招鲜，吃遍天”。今天，我就结合自己曾经碰到的一个真实案例，为你讲解如何利用分类技术，改善搜索引擎返回结果的相关性。
你可能会觉得奇怪，这分类技术，不是监督式机器学习中的算法吗？它和信息检索以及搜索技术有什么关系呢？且听我慢慢说来。

电商搜索的难题

我曾经参与过一个电商的商品搜索项目。有段时间，用户时常反馈这么一个问题，那就是关键词搜索的结果非常不精准。比如搜索“牛奶”，会出现很多牛奶巧克力，甚至连牛奶色的连衣裙，都跑到搜索结果的前排了，用户体验非常差。但是，巧克力和连衣裙这种商品标题里确实存在“牛奶”的字样，如果简单地把“牛奶”字眼从巧克力和服饰等商品标题里去除，又会导致搜索“牛奶巧克力”或者“牛奶连衣裙”时无法展示相关的商品，这肯定也是不行的。
这种搜索不精确的情况十分普遍，还有很多其他的例子，比如搜索“橄榄油”的时候会返回热门的“橄榄油发膜”或“橄榄油护手霜”，搜索“手机”的时候会返回热门的“手机壳”和“手机贴膜”。另外，商品的品类也在持续增加，因此也无法通过人工运营来解决。
为了解决这个问题，首先我们来分析一下产生问题的主要原因。目前多数的搜索引擎实现，所采用的都是类似向量空间模型的相关性模型。所以在进行相关性排序的时候，系统主要考虑的因素都是关键词的 tf-idf、文档的长短、查询的长短等因素。这种方式非常适合普通的文本检索，在各大通用搜索引擎里也被证明是行之有效的方法之一。但是，经过我们的分析，这种方式并不适合电子商务的搜索平台，主要原因包括这样几点：
第一点，商品的标题都非常短。电商平台上的商品描述，包含的内容太多，有时还有不少广告宣传，这些不一定是针对产品特性的信息，如果进入了索引，不仅加大了系统计算的时间和空间复杂度，还会导致较低的相关性。所以，商品的标题、名称和主要的属性成为搜索索引关注的对象，而这些内容一般短小精悍，不需要考虑其长短对于相关性衡量的影响。
第二点，关键词出现的位置、词频对相关性意义不大。如上所述，正是由于商品搜索主要关注的是标题等信息浓缩的字段，因此某个关键词出现的位置、频率对于相关性的衡量影响非常小。如果考虑了这些，反而容易被别有用心的卖家利用，进行不合理的关键词搜索优化（SEO），导致最终结果的质量变差。
第三点，用户的查询普遍比较短。在电商平台上，顾客无需太多的关键词就能定位大概所需，因此查询的字数多少对于相关性衡量也没有太大意义。
因此，电商的搜索系统不能局限于关键词的词频、出现位置等基础特征，更应该从其他方面来考虑。
既然最传统的向量空间模型无法很好地解决商品的搜索，那么我们应该使用什么方法进行改进呢？回到我们之前所发现的问题，实际上主要纠结在一个“分类”的问题上。例如，顾客搜索“牛奶”字眼的时候，系统需要清楚用户是期望找到饮用的牛奶，还是牛奶味的巧克力或饼干。从这个角度出发考虑，我们很容易就考虑到了，是不是可以首先对用户的查询，进行一个基于商品目录的分类呢？如果可以，那么我们就能知道把哪些分类的商品排在前面，从而提高返回商品的相关性。

查询的分类

说到查询的分类，我们有两种方法可以尝试。第一种方法是在商品分类的数据上，运用朴素贝叶斯模型构建分类器。第二种方法是根据用户的搜索行为构建分类器。
在第一种方法中，商品分类数据和朴素贝叶斯模型是关键。电商平台通常会使用后台工具，让运营人员构建商品的类目，并在每个类目中发布相应的商品。这个商品的类目，就是我们分类所需的类别信息。由于这些商品属于哪个类目是经过人工干预和确认的，因此数据质量通常比较高。我们可以直接使用这些数据，构造朴素贝叶斯分类器。这里我们快速回顾一下朴素贝叶斯的公式。
之前我们提到过，商品文描中噪音比较多，因此通常我们只看商品的标题和重要属性。所以，上述公式中的 ，表示来自商品标题和属性的关键词。
相对于第一种方法，第二种方法更加巧妙。它的核心思想是观察用户在搜词后的行为，包括点击进入的详情页、把商品加入收藏或者是添加到购物车，这样我们就能知道，顾客最为关心的是哪些类目。
举个例子，当用户输入关键词“咖啡”，如果经常浏览和购买的品类是国产冲饮咖啡、进口冲饮咖啡和咖啡饮料，那么这 3 个分类就应该排在更前面，然后将其它虽然包含咖啡字眼，但是并不太相关的分类统统排在后面。需要注意的是，这种方法可以直接获取 P(C|f)，而无需通过贝叶斯理论推导。
上述这两种方法各有优劣。第一种方法的优势在于有很多的人工标注作为参考，因此不愁没有可用的数据。可是分类的结果受到商品分布的影响太大。假设服饰类商品的数量很多，而且有很多服饰都用到了“牛奶”的字眼，那么根据朴素贝叶斯分类模型的计算公式，“牛奶”这个词属于服饰分类的概率还是很高。第二种方法正好相反，它的优势在于经过用户行为的反馈，我们可以很精准地定位到每个查询所期望的分类，甚至在一定程度上解决查询季节性和个性化的问题。但是这种方法过度依赖用户的使用，面临一个“冷启动”的问题，也就说在搜索系统投入使用的初期，无法收集足够的数据。
考虑到这两个方法的特点，我们可以把它们综合起来使用，最简单的就是线性加和。
其中， 和 分别表示根据第一种方法和第二种方法获得的概率，而权重 和 分别表示第一种方法和第二种方法的权重，可以根据需要设置。通常在一个搜索系统刚刚起步的时候，可以让 更大。随着用户不断的使用，我们就可以让 更大，让用户的参与使得系统更智能。

查询分类和搜索引擎的结合

一旦我们可以对商品查询进行更加准确地分类，那么就可以把这个和普通的搜索引擎结合起来。我使用下面的框架图来展示整个流程。
从这张图可以看到，我们使用商品目录打造一个初始版本的查询分类器。随着用户不断的使用这个搜索引擎，我们收集用户的行为日志，并使用这个日志改善查询的分类器，让它变得更加精准，然后再进一步优化搜索引擎的相关性。
我以 Elasticsearch 为例，讲一下如何利用分类的结果改变搜索的排序。
Elasticsearch 是一个基于 Lucene 的搜索服务器，是流行的企业级搜索引擎之一，目前最新版已经更新到 6.6.x。Elasticsearch 是基于 Lucene 的架构，很多要素都是一脉相承的，例如文档和字段的概念、相关性的模型、各种模式的查询等。也正是这个原因，Elasticsearch 默认的排序也采取了类似向量空间模型的方式。如果这种默认排序并不适用于商品搜索，那么我们要如何修改呢？
为了充分利用查询分类的结果，首先要达到这样的目标：对于给定的查询，所有命中的结果的得分都是相同的。至少有两种做法：修改默认的 Similarity 类的实现，或者是使用过滤查询（Filter Query）。
统一了基本的排序得分之后，我们就可以充分利用用户的行为数据，指导搜索引擎进行有针对性的排序改变，最终提升相关性。这里需要注意的是，由于这里排序的改变依赖于用户每次输入的关键词，因此不能在索引的阶段完成。
例如，在搜索“牛奶巧克力”的时候，理想的是将巧克力排列在前，而搜索“巧克力牛奶”的时候，理想的是将牛奶排列在前，所以不能简单地在索引阶段就利用文档提升（Document Boosting）或字段提升（Field Boosting）。
对于 Elasticsearch 而言，它有个强大的 Boost 功能，这个功能可以在查询阶段，根据某个字段的值，动态地修改命中结果的得分。假设我们有一个用户查询“米”，根据分类结果，我们知道“米”属于“大米”分类的概率为 0.85，属于“饼干”和“巧克力”分类的概率都为 0.03。根据这个分类数据，下面我使用了一段伪代码，展示了加入查询分类后的 Elasticsearch 查询。
{
"query": {
"bool": {
"must": {
"match_all": {
}
},
"should": [
{
"match": {
"category_name": {
"query": "大米",
"boost": 0.85
}
}
},
{
"match": {
"category_name": {
"query": "饼干",
"boost": 0.03
}
}
},
{
"match": {
"category_name": {
"query": "巧克力",
"boost": 0.03
}
}
}
],
"filter": {
"term": {"listing_title" : "米"}
}
}
}
}
其中最主要的部分是增加了 should 的查询，针对最主要的 3 个相关分类进行了 boost 操作。如果使用这个查询进行搜索，你就会发现属于“大米”分类的商品排到了前列，更符合用户的预期，而且这完全是在没有修改索引的前提下实现的。

小结

相关性模型是搜索引擎非常核心的模块，它直接影响了搜索结果是不是满足用户的需求。我们之前讲解的向量空间模型、概率语言模型等常见的模型，逐渐成为了主流的相关性模型。不过这些模型通常适用于普通的文本检索，并没有针对每个应用领域进行优化。
在电商平台上，搜索引擎是帮助用户查找商品的好帮手。可是，直接采用向量空间模型进行排序往往效果不好。这主要是因为索引的标题和属性都很短，我们无法充分利用关键词的词频、逆文档频率等信息。考虑到搜索商品的时候，商品的分类对于用户更为重要，所以我们在设计相关性排序的时候需要考虑这个信息。
为了识别用户对哪类商品更感兴趣，我们可以对用户输入的查询进行分类。用于构建分类器的数据，可以是运营人员发布的商品目录信息，也可以是用户使用之后的行为日志。我们可以根据搜索系统运行的情况，赋予它们不同的权重。
如果我们可以对查询作出更为准确的分类，那么就可以使用这个分类的结果，来对原有搜索结果进行重新排序。现在的开源搜索引擎，例如 Elasticsearch，都支持动态修改排序结果，为我们结合分类器和搜索引擎提供了很大的便利。

思考题

通过用户行为反馈的数据，构建查询分类的时候，我们把整个查询作为了一个单词或者词组来处理。也就是说直接获取了 的值。如果我们把这个查询看作是多个词的组合，也就是说获取的是 ，那我们可以如何改进这个基于用户行为反馈的分类模型呢？
欢迎留言和我分享，也欢迎你在留言区写下今天的学习笔记。你可以点击“请朋友读”，把今天的内容分享给你的好友，和他一起精进。
分享给需要的人，Ta购买本课程，你将得20元
生成海报并分享

赞 0

提建议

© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
上一篇
47 | 搜索引擎（上）：如何通过倒排索引和向量空间模型，打造一个简单的搜索引擎？
下一篇
49 | 推荐系统（上）：如何实现基于相似度的协同过滤？
unpreview
 写留言

精选留言(12)

  • Paul Shan
    2019-10-17
    向量空间求出的结果顺序是基于文本的统计信息。当商品名包含的关键词过少而描述包含的关键词过多，这种相关性就更多的反映了描述的相关性，而描述中的词汇不如文章中的词汇有代表性，还反映了卖家卖出货物的意愿，信息的准确度大打折扣。为了解决这个问题，在查询结果的排序中优先显示和查询类别一致的结果。为了让类别信息优先处理，需要构建查询到商品类别的映射，这个映射可以通过贝叶斯模型来处理，也就是求出查询为条件，各个类别出现的概率，这种方法对于商品数据分布不均匀的情况下会有不少误差。还可以观察用户行为，构建查询到商品类别的映射，这种方法动态实时高效，缺点是没有历史数据的情况下如何处理。可以综合这两者来加权处理。用户数据量少的时候，贝叶斯模型权重大，用户数据量大的时候，基于用户行为的模型权重大。
    展开
    4
  • 拉欧
    2019-04-05
    是否还是通过朴素贝叶斯进行优化?

    作者回复: 这里确实可以通过朴素贝叶斯来构建一个分类器

    2
  • 骑行的掌柜J
    2020-07-14
    黄老师除了刚刚文中您讲的Elasticsearch利用分类结果来改变搜索排序，还有没有其他的可以加深对查询分类器和搜索引擎结合使用的实操案例？谢谢

    作者回复: 如果你对实现细节感兴趣，可以参考我的书《大数据架构和算法实现之路》 https://item.jd.com/12206386.html

    1
  • escray
    2020-06-06
    不是很了解搜索引擎的实现原理，只能凭借直觉来讲。 如果把查询看做多个词的组合，那么应该也可以采用线性组合的方式吧，同样可以先用商品目录来构建查询分类器，然后把分词的结果按照一定的规则，选择合适的分类器，比如“低脂牛奶巧克力”要放到巧克力类目；而“低脂巧克力牛奶”要归为牛奶类目；。 在有了一些用户行为数据之后，可以逐步加大用户行为在其中的比重，同样采取简单的线性加和。 其实如果查询语句越长，越有可能判断出搜索的类别和用户的真实意图。
    展开

    作者回复: 基本思路很好啊👍

    1
  • 013923
    2022-09-23 来自上海
    搜索引擎学习！
  • wanghua
    2021-04-01
    老师，有更多关于垂直领域搜索引擎提高相关性的资料推荐么

    作者回复: 推荐我自己写的一本书《大数据架构和算法实现之路：电商系统的技术实战》，里面有不少介绍

  • 建强
    2020-12-27
    思考题： 如果获取的是P(C|f1,f2,...fn)，个人理解也可以采用朴素贝叶斯来构造分类器， 即P(C|f1,f2,...fn) = P(C|f1) * P(C|f2) * P(C|f3)....*P(C|fn)，而各项P(C|fi)全部通过用户的购卖行为得到。 举例： 用户有6次购买行为，其中5次购买的是“国产计算机”，1次购买的是“国产咖啡”，则有: 分类C = {计算机类、咖啡类}， 查询关键词f = {国产、计算机、咖啡} 于是就有分类器： P{计算机类 | 国产, 计算机} = P{计算机类|国产} * P{计算机类|计算机} = 5/6 * 5/6 = 25/36 P{咖啡类 | 国产, 计算机} = P{咖啡类|国产} * P{咖啡类|计算机} = 1/6 * 0 = 0 P{计算机类 | 国产, 咖啡} = P{计算机类|国产} * P{计算机类|咖啡} = 5/6 * 0 = 0 P{咖啡类 | 国产, 咖啡} = P{咖啡类|国产} * P{咖啡类|咖啡} = 1/6 * 1/6 = 1/36 因此当用户输入“国产 计算机”时，分类器会优先出现计算机类，而当用户输入“国产 咖啡”时，分类器则会优先出现咖啡类。 这种改进是否正确，请老师指教。
    展开

    作者回复: 对，主要思想就是这个意思。不过不太理解这里的6次购买行为，是和查询有关的吗？还是和查询无关的？

  • 全有
    2020-05-15
    我就是这样来用的；哈哈

    作者回复: 英雄所见略同😃

  • Paul Shan
    2019-10-17
    思考题 多个词为条件的概率可以近似看成这些词是独立的，然后求出条件概率的乘积。

    作者回复: 是的👍

  • 张九州
    2019-10-14
    我想的是先按照每个分类计算，方法和只有一个分类的情况一样，然后再根据用户对每个分类的浏览搜索行为作为排序权重，不知道对不对

    作者回复: 这个思考题的重点是考虑多个词的联合分布概率和每个词的分布概率之间的关系，是否用到相互之间的独立性等等

  • ken
    2019-08-27
    这样的思路和实践 是否可行
  • ken
    2019-08-27
    先算出关键词的分类 再给分类字段 提升权重 查询

    作者回复: 具体分类字段，是指有一个指定的字段用于表示其分类吗？

    共 4 条评论