当前位置：首页 > 公众号精选 > 架构师社区

京东电商搜索中的语义检索与商品排序

时间：2020-06-05 17:10:26
手机看文章

扫描二维码
随时随地手机看文章

[导读]导读： 本文将 介绍京东搜索场景中的两块技术，语义检索与商品排序。 在业界检索算法基础上，我们提出一系列更适用于电商场景的检索排序算法，在业务上取得了显著收益。其中的 多篇论文已被  KDD/SIGIR 等收录。 01 背景介绍 电子商务搜索是京东等电商重要组

京东电商搜索中的语义检索与商品排序
导读： 本文将 介绍京东搜索场景中的两块技术，语义检索与商品排序。 在业界检索算法基础上，我们提出一系列更适用于电商场景的检索排序算法，在业务上取得了显著收益。其中的 多篇论文已被 KDD/SIGIR 等收录。

01

背景介绍

电子商务搜索是京东等电商重要组成部分，用户通过搜索找到自己需要的商品，然后下单购买。一个典型电商搜索引擎的架构，包括三个重要组成部分：query 理解、召回和排序。

  • Query 理解：包括 query 的纠错、改写、扩展、分词等。

  • 召回阶段：给定一个查询词，从商品库中召回有效正确的商品候选集，并将结果返回给排序。召回方式有很多种，这里我们只介绍基于向量检索的召回。

  • 排序阶段：给定召回商品的候选集合，根据众多因子对这些商品进行排序，挑选出最好的候选商品展示给用户。

下面我们分别介绍，基于向量检索召回和商品排序：

02

向量召回

向量检索作为一种信息检索方式在工业界已经被广泛应用，它能解决传统倒排检索不能解决的问题。倒排通过字面匹配方式召回商品，这种方式存在一种缺陷，不能召回字面不匹配但语义层面相近的商品， 如 query='2-3周岁宝宝玩具'是无法召回 sku='托马斯小火车'的。
京东电商搜索中的语义检索与商品排序
通俗的讲就是训练一个模型，该模型通过将 query 和 sku 映射到统一维度空间，在该空间中，相似的商品距离近，不相近的商品距离较远。query=奶粉，在高纬空间里，相对鞋子、服装、手机，奶粉商品距离 query 更近。这是建模过程，生成 query 和 sku 的向量数据。
我们得到了 query 和 sku 的向量，接下来就是做检索，返回与 query 距离近的 topK 个 sku。而数据库的商品量非常多，通常是十亿级，不可能做线性遍历，考虑到时效性，会引入快速向量近似检索方法，如 KDTree、TDM、LSH、PQ、HNSW 等等，我们采用的是 PQ 算法，这里不再赘述，网上有很多材料介绍其算法。下面重点介绍我们的模型及在线检索框架。
模型方面不仅要考虑 query-sku 的相关性，我们也对用户行为进行建模，同一 query 针对不同用户、同一用户不同时刻检索出更具有个性化的商品。我们使用的是 DPSR ( Deep Personalized and Semantic Retrieval ) 算法，模型融合个性化和搜索语义信息，我们的论文已被 SIGIR2020 收录。
1. 检索系统 overview
从整体看，离线模型是一个双塔模型结构，query 和 sku 分别有一个 model tower。Query 端包括了 query 包括 query tokens、user profile、user history events 等特征。Sku 端包括 title tokens、brand、category、shopid 等特征。
离线索引 ( offline indexing )，使用的是 sku tower，导出 sku 的 embedding 构建 QP 索引。
在线服务 ( online serving ) 使用的是 query tower，模型加载在 tensorflow service，在线 predict query 的 embedding。
2. 模型详细设计
① Two tower model architecture
上面介绍了模型结构，一个 query tower Q，一个 sku tower S，对于给定的 query=q， sku=s，模型计算过程为：
f(q,s)=G(Q(q),S(s))
Q(q)∈R d×m 表示 query 的 embedding
S(s)∈R d×m 表示 sku 的 embedding
G 表示打分计算函数，比如 inner product、L2 distance 等
双塔模型训练完后，query 和 sku 的模型相对独立，我们可以分别计算他们。所有的 sku embedding 都在离线计算，以便快速构建向量检索索引。虽然 model 是相互独立的，但 query 和 sku 之间使用简单的点积计算，理论上 query 和 sku embedding 仍然在同一个几何空间中，具有可比性。
② Query tower with multi heads
我们看到左侧的 tower 和右侧有两点不一样：Projection layer 和 mutli heads，目的是为了丰富 query 侧的信息。不同的 head 可以捕获 query 不同的语义 ( query=苹果，语义可以是手机和水果 )，捕获不同的品牌属性 ( query=手机，品牌可以是华为、小米 )，捕获不同的产品属性 ( query=三星，产品属性可以是笔记本、手机 ) 等等。
③ Attention Loss
Multi heads 让 query 可以生成多个 embedding 与 sku embedding 计算 score。我们采用 attenion loss 做模型优化。
我们标记 query 的多个 embeding 为 Q(q)={e 1 ,e 2 ,...,e m }，其中 e i ∈R d ，Sku 的 embedding 为 S(s)=g，g ∈R d ，Query 和 sku 的打分计算如下：
β 是 softmax heat 参数。假设 D 表示训练预料，r(q i ,s i+ ) 为正样本，r(q i ,s i- ) 为负样本。
④ Negative Sampling
我们采用的是用户点击数据，数据量在10亿级作为正样本。负样本并未使用同 session 未点击的样本，因为搜索手机，展示了小米和华为手机，不能说未点击就是不相关商品。负例分为两部分：random negatives、batch negatives。我们增加了一组超参来调整两者的比例，观察发现 random negatives 越多，召回商品的 popularity 越高，更能吸引用户点击下单，但会降低商品与检索 query 的相关性。
3. 训练优化
我们也尝试过更强大的神经网络，如 RNN、transform 等，得到的效果类似或稍好一些。然而一个短延时的模型更适用于工业生产建模，这样可以使用更少的服务器做有效的离线训练和在线服务。
模型系统方面，我们也做了一系列训练优化，简单描述其中的几点：

  • 实现 c++ tokenizer，以 custom operator 方式加载到 tensorflow，离线训练和在线服务共用，保证 token 的一致性。

  • 训练数据压缩，修改训练数据格式，把共用的特征数据加载内存，训练时展开从而降低数据存储。也便于训练时做负例采样。

  • 可伸缩分布式，切分大的 embedding，并将 sum up 放到 ps 以解决 worker/ps 带宽瓶颈。

  • 模型 servable 服务，我们将向量检索和 tfs 合成一个服务，不仅减少一次网络访问，降低系统 3-5ms 的平响，而且将模型分片部署，从而可以支持上百个模型同时服务或者 A/B 实验。同时 servable 服务是 cpu 和 gpu 混合部署。

4. 语义检索效果展示
语义检索上线后获得了很好的体验效果，不仅提升了转化，长尾流量降低了近10%的 query 改写率，也就是说用户不需要多次改写 query，就能获得想要的商品结果。

03

商品排序

下面介绍下商品排序：
商品排序主要是根据用户的输入对商品进行打分排序。商品排序的传统方法使用 xgboost 等基于决策树的方法从数据中进行学习，但是这些模型通常有成百乃至上千的数值型人工特征，不能有效的从原始特征比如用户历史点击购买数据、商品文本和图像中直接学习。近年来，深度学习在各种应用中验证了从原始特征中学习的有效性，在业界被广泛使用，比如 wide&Deep、DIN 等。下面介绍一个我们在商品搜索排序中尝试的方法。
1. 双胞胎网络
我们的训练数据来自于用户的搜索日志，通过将同一个 session 中用户购买的商品 ( 商品a ) 和没有购买的商品 ( 商品b ) 配对起来，并把购买未购买作为最终学习的 label，从而构造了用户查询-商品对训练集。
根据训练数据，我们首先设计了双胞胎网络结构：
京东电商搜索中的语义检索与商品排序
双胞胎网络结构有两个共享参数的模块，每个模块分别输入用户、查询和商品特征，每个模块采用 ReLU 作为激活函数，最终层的输出一个分数，两个模块的差值和数据 label 作为交叉熵损失函数的输入。
在特征方面，我们使用以下几种不同类型的特征：

  • 数值型特征：包括商品销量、用户购买力和用户是否点过、购买过商品等。

  • 文本特征：包括用户输入的查询和商品名称等。

  • 用户历史行为：包括历史点击、购买、加购商品 list 等

  • 商品、用户 id 等

文本特征可以学习到一定的相关性信息，用户历史行为可以学习到个性化信息，id 类特征我们做了 pretrain。
2. 个性化升级
在第一版双胞胎模型中，我们简单的对用户的历史行为做 sum pooling，但是这样缺乏和搜索商品的交互，无法精准的表示用户的兴趣；为了加强用户的交互，我们升级了模型的结构，用候选商品和用户历史商品做 attention，从而将静态的 user embedding 升级为随 query 和当前商品变化的 user embedding。
我们还加入了 Graph 学习方法对 id 类特征 embedding 进行 pretrain，然后加入到模型训练中。具体方法使用用户的高质量点击行为生成商品 graph，通过 Random Walk 生成训练数据，然后利用 Skip-gram 进行训练，加入 id embedding 可以提高模型离线指标和收敛速度。
3. 时效性优化
值得一提的是，为了增强排序捕捉变化的能力，提升排序的流动性，我们从三个方面：特征时效性、模型时效性、线上预估校准进行了优化。

  • 提升特征时效性：接入商品小时级的点击加购订单等实时信号，训练模型学习实时变化

  • 实时在线校准：根据商品全站的点击订单等实时反馈信号，对模型原来的预测分数及时校准

  • 提升模型的更新频率：优化训练数据生产流程，推动训练平台升级，提升模型训练速度

搜索排序是商品检索最重要的模块之一，我们在个性化、时效性、多目标等方向不断迭代，提升了排序体验，也提升了商品成交量。

04

总结

我们介绍了语义检索召回和商品排序，在京东搜索服务上部署并取得了良好效果。我们还在尝试一些业内其他流行的方法，比如 GNN、KG、MMoE 等方向，也获得了不错的成绩。
文章作者：
王松林、唐国瑜，京东算法工程师。 
特别推荐一个分享架构+算法的优质内容，还没关注的小伙伴，可以长按关注一下：
			


京东电商搜索中的语义检索与商品排序
		



长按订阅更多精彩▼
			


京东电商搜索中的语义检索与商品排序
		


如有收获，点个在看，诚挚感谢

免责声明：本文内容由21ic获得授权后发布，版权归原作者所有，本平台仅提供信息存储服务。文章仅代表作者个人观点，不代表本平台立场，如有问题，请联系我们，谢谢！

本站声明： 本文章由作者或相关机构授权发布，目的在于传递更多信息，并不代表本站赞同其观点，本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者，如若文章内容侵犯您的权益，请及时联系本站删除。
关闭
关闭