淘宝搜索的意义在哪淘宝搜同款怎么搜

淘宝搜这篇论文主要讲述，去年双11期间，淘宝搜索在有限计算资源情况下，如何拿到更好的排序结果、保证用户的搜索体验、以及点击、成交量和成交额等目标的完成。
实际的结果是，去年双11当天，淘宝搜索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%，同时带来的GMV提升了近1% 。
以下是这篇论文的详细介绍。
《多层级联学习在大型电商排序系统的应用（Cascade Ranking for Operational E-commerce Search）》
作者：刘士琛，肖非，欧文武，司罗
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。
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learning to 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 Operational Ecommerce 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。

文章插图
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

文章插图
，其中

淘宝搜索的意义在哪 淘宝搜同款怎么搜

秒懂生活扩展阅读

淘宝搜索的意义在哪淘宝搜同款怎么搜