閑魚搜索召回升級：向量召回&個性化召回

在搜索系統(tǒng)中，召回環(huán)節(jié)位于排序漏斗的最底層，決定了下游排序的空間大小，其重要程度毋庸置疑，在閑魚搜索場景亦是如此。然而由于機器和人力資源的限制，長期以來閑魚搜索的召回都是使用最簡單的基于文本的召回方式，其優(yōu)化迭代方式也只是在基礎商品字段（標題、描述）之上，增加擴展字段?；诖?，季度優(yōu)化前，閑魚主搜的召回整體方案如下：

• Query側：通過Query改寫，擴展Query語義，緩解用戶側搜索詞表達不充分的問題，間接實現(xiàn)擴召回；
• Item側：通過增加擴展字段，強化商品側的表征，具體的拓展字段包括：

• 結構化信息，如類目、算法識別的CPV（屬性值，如商品品牌、型號、顏色等）；
• 商品圖像識別的標簽，如OCR識別出的商品圖片中的描述字段；
• I2I商品信息遷移：通過swing等I2I技術，引入與trigger商品相似商品的基礎信息作為文本召回字段；
• 同款、一鍵轉賣商品信息遷移，同I2I，只不過擴展信息通過確定的關聯(lián)商品得到；
• 其他商品預測Tag拓展；

雖然通過如上擴充索引字段的方式，有效提升了搜索的召回能力。但數(shù)據(jù)分析發(fā)現(xiàn)，召回不足的情況仍有較大的搜索PV占比，說明召回側還有比較大的空間可挖（具體數(shù)據(jù)這里不做詳細羅列）。而優(yōu)化召回不足大體可以從兩個方向發(fā)力：1）算法策略層面進行優(yōu)化，提升召回能力；2）供給層面優(yōu)化，引導增加商品供給，或使賣家優(yōu)化商品供給描述。這里則討論前者，首先是當前系統(tǒng)主要有以下不足之處：

1. Query召回商品仍然使用純文本方式召回，Term命中規(guī)則嚴格，缺少語義匹配能力。
2. 當前召回個性化能力不足，或者說沒有兼顧效率特征，召回截斷后可能損失更具個性化的相關商品。

對于1，本季度我們增加基于語義的向量召回，緩解召回語義能力不足的問題；對于2則有很多思路，如考慮成交效率的向量召回、u2i、u2i2i等，這里做了一些嘗試，發(fā)現(xiàn)有時常規(guī)的方案無法直接照搬到閑魚場景，而最終本次優(yōu)化我們優(yōu)先采用了基于行為的I2I（準確說是Q2I2I），同時為了彌補長尾query召回仍然不足的問題，我們補充了基于多模態(tài)內(nèi)容的I2I，從文本和視覺維度召回相關商品。

對于上述擴召回的候選，我們使用類目、核心詞、語義相關性等維度保證相關性，召回升級后整體模塊構成如下：

后面的章節(jié)，將依次分模塊進行詳細方案的介紹。

語義向量召回

建模目標

搜索向量召回的最理想結果是盡可能檢索出“相關且高成交效率”的商品。由于閑魚搜索之前沒有向量召回鏈路，因此一期我們決定先從“相關性”目標出發(fā)，設計基于純語義的向量召回，目的是彌補文本召回語義泛化能力弱的問題。其難點主要為閑魚場景特色下Query和商品的語義表征建模，以及線上機制策略的兼容；而對于“成交效率”目標的兼顧，本季度也做了相應的實驗，但是由于閑魚場景的特殊性，暫時無法直接照搬常規(guī)方法，需要進一步探索，這點在本章結尾進行討論。

模型設計

閑魚搜索的語義向量模型同大多數(shù)的場景一樣，使用DSSM架構，Baseline Encoder為預訓練的Electra-Small模型（相對于Bert-base效果微跌，但模型大小由300M+縮小到47M，提升了運行效率）。為了豐富Query語義，彌補Query表達不充分的問題，我們增加了臨近Query表征（基于行為的Q2Q），與集團ICBU、淘寶主搜通過多任務方式引入不同，這里直接增加Query和臨近Query的self-attention模塊，通過更為直接的融入信息，避免了多任務調餐的工作量及其不確定性。

對于無臨近Query的Key Query，進行置空操作，此外對于有臨近Query的Sample也會以一定幾率置空，以適應新Query與超長尾Query缺少Q(mào)2Q的問題。

模型架構如下：

實現(xiàn)細節(jié)

• 數(shù)據(jù)構造

搜索語義召回向量的核心目標為相關性，因此其樣本構造也是圍繞此設計，這里方案參考閑魚搜索相關性——體驗與效率平衡的背后：

• 正樣本：充足曝光下高點擊ctr樣本(如：ctr大于同query下商品點擊率平均值)
• 負樣本：

• Baseline隨機構造負樣本：為增加隨機性，該部分實現(xiàn)可在訓練時使用同Batch中其他樣本做負樣本，同時也可以引入經(jīng)典的Batch Level Hard Sample機制。
• 同父類目的鄰居子類目負采樣。
• 高曝光低點擊類目樣本：同一個Query搜索下，根據(jù)全局點擊商品的類目分布，取相對超低頻類目樣本作為負樣本。
• 充足曝光情況下，低于相應Query平均曝光點擊率一定百分比的樣本做負樣本。
• 基于Query核心Term替換構造負樣本：如，對于“品牌A+品類”結構的Query，使用“品牌B+品類”結構的Query做其負樣本。

Graph Query Attention

Query Graph即上文提到的行為Q2Q，這里參考Swing I2I算法，構造Swing Q2Q結果。詳細地。取Top 3 Query拼接后作為Key Query的補充信息，而后Key Query與Graph Querys通過[SEP]拼接作為模型Query塔的輸入。為了使模型能夠區(qū)分Key Query和Graph Querys的差異，不同的Query類型使用不同的Segment_id作為標識。對于Item-Title塔，其Segment_id與Key Query一致。

直接拼接的方式融合Graph Query信息可以從模型底層就與key Query進行相互的Attention交互，以Query-Title的匹配為目標優(yōu)化可以更直接的引入臨近Query的有用信息，缺點則是一定程度上損失了模型預測階段對于無Graph Query的樣本精度。這點則是通過隨機丟棄Graph Query的方式緩解，實驗證明該方法行之有效。

• Batch-Level Triple loss vs InfoNCE loss

早些時候，語義向量召回的優(yōu)化目標loss為經(jīng)典的Triple loss：

其中 d(a,p)表示向量a和p的距離，a和p表示query和doc的正樣本對，a和n表示負樣本對。Triple loss訓練的另一個標配是Online hard negative mining，即在mini-batch內(nèi)，每個正樣本對之間互為負樣本，選擇其中最難的樣本作為負樣本（相似度打分最高的樣本對）。

除了經(jīng)典的Triple loss外，我們也借鑒了對比學習框架（如MOCO、SimCLR等）下常用的InfoNCE Loss，：，這里增加溫度參數(shù)，進一步提升模型的泛化能力。

其中q為query向量，k+為商品正樣本對，k-為負樣本對，τ為temperature超參數(shù)。InfoNCE在自監(jiān)督對比學習中十分有效，同樣在有監(jiān)督的對比學習框架下，也被驗證效果。上式從代碼實現(xiàn)來看更加直觀，也比較巧妙：

loss_fun = torch.nn.CrossEntropyLoss()# query_vecs : [batch, feat_dim]# item_vecs : [batch, feat_dim]# sim eg: cosine similarity，return dim: [batch, batch]scores = sim(query_vecs, item_vecs) / temp labels = torch.arange(scores.size(0)).long() # scores矩陣對角線為正樣本loss = loss_func(scores, labels)

• 商品側引入其常搜query信息

該部分策略出發(fā)點，閑魚搜索場景中很多標題也存在信息量不足的情況，如“便宜賣”，容易使模型學偏，這里使用商品歷史有點擊的Top3 Query作為商品的補充信息，與Query Graph一樣的方式融合進網(wǎng)絡（使用不同的Segment_id），但實驗發(fā)現(xiàn)效果不盡如人意，原因分析可能是閑魚商品在預測過程中，有不小占比的商品集合為新品，該部分商品往往補充信息不足。商品側引入其高點擊Query，根據(jù)模型《Shortcut Learning in Deep Neural Networks》的論述，這里模型容易走捷徑，過分關注補充的Query信息，對于缺失補充特征的商品預測效果有偏。因此在離線HitRate指標表現(xiàn)不好，在線也存在類似分布不一致的問題。而換個思路補充相似商品信息，也會存在類似問題，因此該路徑未繼續(xù)深挖。

• 上述關鍵離線實驗對比

策略AUC（相關性）HitRate@1、5、10online baseline model+dim=128

0.780

51.0、73.3、80.7query+難樣本構造+dim=64

0.805

52.6、 76.8、 84.4query+graph query+dim=640.79050.5、 76.3、 84.4query+graph query+難樣本構造+dim=640.80455.2、 79.6、 86.6query+graph query+難樣本構造+infonce loss+batch size=640.82261.2、 83.9、 89.6aph query+難樣本構造+infonce loss+batchsize=1280.82462.6、 84.7、90.1

線上工程方案

• 向量引擎

得益于強大的Ha3引擎，使得向量引擎的搭建變得容易了許多。在構建向量索引和使用向量引擎對外提供服務的過程中，需要注意以下的問題：

• 商品狀態(tài)的維護，包括商品的下線以及新商品的發(fā)布。閑魚場景中的商品屬于孤品，通常商品被賣出或者下架后，將不能再被展示出來，這就要求商品在下架的同時能夠及時從索引中刪除；同樣，在閑魚平臺上，新商品的成交要比舊商品高，因此，新入庫商品需要能夠及時進入向量索引。
• 召回結果的過濾、統(tǒng)計、排序等操作。為了能提高向量召回結果的效率，需要將這些操作封裝到引擎中，使得召回的結果符合相關性等要求。

為了能夠同時滿足如上的需求，我們設計了如下的向量召回索引流程：

• 索引構建階段，分別搭建數(shù)據(jù)的批量和增量流程，并通過SARO（集團PB級數(shù)據(jù)處理能力以及秒級實時性能的大數(shù)據(jù)ETL平臺）統(tǒng)一管理

• 每天例行通過ODPS構建T+1全量的索引，使得每天的在線數(shù)據(jù)能夠及時同步；
• 每天的增量數(shù)據(jù)，如商品狀態(tài)的改變（如商品下線，價格更改等），新增商品，都會通過消息流的形式傳遞給SARO，通過SARO對數(shù)據(jù)統(tǒng)一管理。

引擎查詢階段，得益于Ha3引擎的強大功能，通過scorer插件、function插件等對召回結果過濾、統(tǒng)計和排序

• 多路召回

在閑魚搜索業(yè)務中，存在多個索引引擎，主要包括倒排引擎，即主引擎和優(yōu)品引擎，在增加了向量引擎以及I2I引擎后，如何以最小的代價對鏈路改造多鏈路召回使其滿足整體RT的要求，我們設計了如下的多路召回流程：

在實現(xiàn)的過程中，采用的是如上的并發(fā)多路召回的方式，目前索引引擎的種類分為兩種，分別為Ha3引擎和KV引擎引擎。當前對于每一路引擎都是獨立的召回，通過設置不同的召回量控制每一路引擎的召回結果。

問題討論與優(yōu)化方向

在上述基礎的語義向量召回基礎上，本季度我們也做了一些其他的嘗試，下面主要簡單描述嘗試的方案，以及階段性的結論分析：

• 增加個性化向量召回

向量召回的理想目標是檢索出“相關且高成交效率”的商品，而基于語義的向量召回更多的是考慮“相關”目標，“高成交效率”的目標則是在粗排/精排階段實現(xiàn)。如果能在召回階段就考慮成交效率，一步到位，應該是更加理想的狀態(tài)。

因此，我們也嘗試了主流的個性化向量的建模方案：

• 模型側：仍為DSSM架構，升級query tower變?yōu)閡ser&query tower，item tower不變；
• 數(shù)據(jù)側：使用點擊/成交user&query-item對為正樣本，曝光為點擊/點擊未成交的樣本為負樣本，同時增加隨機采樣負樣本；

• 特征側：增加個性化特征，如用戶畫像和行為特征、商品和賣家維度的統(tǒng)計特征等。

如上的改造期望使向量模型學習到個性化特征，但結果是模型失去了“相關性”的度量能力（原因也容易想到，在正負樣本的構造過程中，“曝光未點擊”的負樣本極大的可能是“相關”樣本），其實上述方案被叫做“雙塔粗排模型”更加貼切。

基于這個結論有兩條優(yōu)化路徑：

• 在個性化向量召回過程中或過程后增加相關性策略（如類目、核心詞匹配），方案看上去可行，但回過頭來想，其實和使用“類目/核心詞召回，個性化向量粗排”差別不大，已經(jīng)失去了向量召回的初衷，因此廢棄。
• 融合個性化和相關性向量，在召回階段兼顧二者目標，比較有代表性的工作如百度的《Mobius: Towards the next generation of query-ad matching in Baidu's sponsored search.》等，該部分方案是相對合理的解決方向，同樣也是后續(xù)的探索方向。

• 引入多模態(tài)

上述語義向量召回方案，并未考慮多模態(tài)信息，集團也有很多工作，這里也嘗試了類似方案，使用多模態(tài)bert強化item側的特征，事實上離線指標也能得到一定程度提升，但相對地，其鏈路的也變得更重，對資源的消耗也急劇增加。綜合考慮下，當前線上主要還是使用文本模態(tài)。該方向仍需繼續(xù)探索，以兼顧鏈路的時效性以及資源的ROI。

• 關于相關性控制

閑魚搜索滿意度和badcase率是一個比較嚴格的監(jiān)測指標，而擴大召回勢必會增加badcase透出風險，依賴語義的向量召回更是如此，由于沒有嚴格的Term命中限制，不可避免地對一些query存在語義漂移現(xiàn)象，對于少見的長尾query更甚。

事實即是如此，在實踐過程中，僅使用語義向量召回，雖然成交效率可以取得可觀的提升，但badcase率也相應的急劇提升，這里我們的解決方案也相對常規(guī)：

• 考慮到語義向量匹配分可以度量query-item相關性，但一刀切的方式卡匹配分閾值會收窄成交效率的收益，因此我們使用動態(tài)閾值方法對候選進行召回截斷，動態(tài)閾值通過離線query歷史行為統(tǒng)計得到；
• 增加query-item類目匹配限制；

• 增加核心term匹配限制，同時兼容同義詞。
• 其他體感問題：不合理價格、虛標價格、站外引流等商品的過濾

如此經(jīng)過一系列的調餐，達到了搜索滿意度和badcase率指標的可接受程度的微跌，但卻損失2個點左右的人均買賣家效率指標（相對不做滿意度優(yōu)化）。這個方向上，仍然有一部分優(yōu)化空間，如更柔型的相關性控制（當前版本核心term匹配這里限制的比較嚴格），更準確的語義向量表達等。相應的后續(xù)會從向量表征和機制策略兩方面進行優(yōu)化。

基于行為的I2I召回

當前召回個性化能力不足，對于不同用戶的相同query，召回相同的候選，召回截斷后可能損失更具個性化的相關商品。

建模目標

分析發(fā)現(xiàn)，用戶通過搜索到詳情頁猜你喜歡，通過猜你喜歡場景成交的商品占比可觀，通過case分析發(fā)現(xiàn)，該部分diff商品，靠常規(guī)的文本召回方法難以成功檢索到。一個參考統(tǒng)計數(shù)據(jù)，搜索導流到猜你喜歡的點擊PV里 ，僅有約25%在當前query的召回集合中，也就是說有75%沒有被召回。如一個例子：搜索引擎中檢索“迪卡儂優(yōu)惠券”，返回結果量不足，而點擊相關商品進入詳情頁猜你喜歡卻可以關聯(lián)處滿足需求的商品。

因此考慮直接通過I2I方法召回檢索池中的商品也會有一定的搜索效率提升空間。

方案設計

而在搜索場景下I2I實際上需要轉化為Q2I2I，因此該部分實驗可以分為兩個階段：

• Q2I：通過用戶搜索query，得到trigger item，該部分有兩種方式：1）直接通過當前query實時在線曝光的top item作為trigger商品；2）離線統(tǒng)計該query下歷史成交、點擊、加購、詢單的item集合，在線請求query2trigger表。
• I2I：trigger item到擴召回item的映射，這部分同樣有多種選擇：1）使用閑魚推薦或搜索場景的i2i召回表；2）直接使用詳情頁猜你喜歡的曝光點擊日志表，構造I2I映射表，trigger為詳情頁主商品id。

通過以上兩個階段可以組合出Q2I2I的候選方案，最終通過AB test擇優(yōu)選擇。使用上述方案，最優(yōu)核心七日人均買賣家提升可以達到+4%的人均買賣家提升，人均成單相應漲幅有+5%。但相應的也伴隨著嚴重的相關性指標下跌的情況。如比較典型的，對于優(yōu)惠券/會員充之類的query，個性化召回往往會出現(xiàn)比較明顯的發(fā)散性召回：

對此，我們將相關性的優(yōu)化也分成了兩個階段，Query2trigger item的相關性，保證trigger item和query的相關性；I2I后，通過query與候選item的類目、核心詞以及語義匹配分過濾相關性。在維持相關性波動不大的情況下，最終實現(xiàn)七日+1.8%人均買賣家，人均成單+2.65%?？梢钥吹絿栏竦南嚓P性限制，也縮小了成交效率的空間，也是后續(xù)的優(yōu)化方向，如使用更加soft的相關性限制。

各AB收益對比

經(jīng)過本季度搜索召回優(yōu)化，核心指標上有了明顯的提升，推全時人均買賣家：近3日人均買賣家相對提升+4.66%；近7日人均買賣家相對提升+3.31%，人均成單：近3日人均成單+5.3%；近7日人均成單+4.02%；

其中，階段性的參考切割實驗對比：

• 向量召回：七日人均買賣家+2.25%，人均成單+2.69%；
• 行為I2I召回：七日人均買賣家+1.8%，人均成單+2.65%；

PS：參考主引擎等數(shù)量擴召回，七日人均買賣家+2.3%（未扣除相關性折損，即成交效率收益，損失相關性指標較嚴重。）相比之下，排除精排候選增多引入的不公平對比，擴召回優(yōu)化的收益仍然可觀。

總結與展望

閑魚搜索場景相對常規(guī)的電商場景有不小的差異，如商品上下架頻繁、整體庫存不足，各類型商品庫存分布差異大、用戶query發(fā)散、商品類型發(fā)散等，賣家側也是盤踞著各種類型的用戶，自由閑置賣家、小專業(yè)賣家、黃牛賣家、“投機倒把”的中間商等，因此在算法策略優(yōu)化中需要考慮的細節(jié)較多，召回優(yōu)化過程中也是如此。

而對于后續(xù)優(yōu)化方向上，在上面的討論中其實也比較明確，總結一點即是召回效率與搜索體感指標的trade off，如何在保證相關的前提下盡可能召回高成交效率的商品，將是一個長期探索的方向。

參考資源

1、閑魚搜索相關性——體驗與效率平衡的背后

2、Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., Polosukhin, I.: Attention is all you need. In: NeurIPS (2017)

3、Mobius: Towards the next generation of query-ad matching in Baidu's sponsored search

4、Shortcut Learning in Deep Neural Networks

這個問題還有疑問的話，可以加幕.思.城火星老師免費咨詢，微.信號是為: msc496。

難題沒解決？加我微信給你講！【僅限淘寶賣家交流運營知識，非賣家不要加我哈】

>

推薦閱讀：

淘寶平臺生鮮類商品爭議處理規(guī)范

阿里巴巴淘管家怎么進入，淘寶店鋪的淘管家在哪里可以查看？

淘寶賣家發(fā)布商品沒有品牌怎么辦？淘寶商品發(fā)布有哪些規(guī)范？

更多資訊請關注幕 思 城。