作者：美丽联合集团 算法工程师 琦琦 ，公众号关注：诗品算法

0、引言

好久不见。十月最后一天，居然也是十月的第一篇，脸疼。今天我们来聊聊相关性吧。如何巧妙地将NLP相关知识应用于搜索推荐系统呢？且往下看。

PS：笔者在本篇文章中所提及的算法，全部在真实的生产环境中实践过，均有收益，且全部落地！这篇文章在市面上独一无二，你认真看完，会有收获的！ 大家可以多点赞多收藏～～蟹蟹。

笔者16年初入职场时，从事的是广告搜索相关性的优化工作。后来相继做过基于多目标的商城gmv效率最大化排序、基于reweight的直播排序、基于增量学习的视频流推荐系统，目前在探索基于切片视频的多目标推荐系统。纵观不同场景的不同业务目标，无外乎就是推荐 & 搜索两家争鸣。

搜索和推荐本不分家，但两者之间也有一些本质区别。搜索的首要准则是相关性，结果集中，且在各垂直领域是独立的，比如你搜索毛衣，我不可能给你推荐袜子，突出一个“人找物”的理念。推荐的首要准则是用户兴趣，讲究的是多样性、新鲜度、丰富性，相对应的，检索结果也较为丰富，跨类目更是常见，突出“物找人”。但目前市面上很多视频APP的推荐内容极易陷入一个同品类的怪圈圈，久而久之，难免让用户心生厌倦。人性本身就是猎奇的、爱追求新鲜感，若一直给用户推荐同一类视频，用户短期可能会沉迷于此，但长期来看，当用户无法在app上获取更多信息，产生“审美疲劳”后，今后很可能就不再回访。

有时候，我们在进行模型优化时，若找不到思路和方向，不要总是盯着模型结构看，不要总盯着loss曲线和AUC看，跳出来分析数据，站在用户的角度思考问题，往往会有意想不到的收获。废话不多说，下面进入正题。

我们将从以下几个方面，对文本相关性在推荐搜索排序中的应用展开详述。

  • 低维稠密的相关性数值特征
  • SimRank/SimRank++/点击二部图
  • 通过历史点击构建文本序列
  • 如何巧妙应用N-Gram语言模型？
  • ** 如何通过TD-IDF筛选文本序列？

1、低维稠密的相关性数值特征

根据query和商品中的term进行各种匹配和计算。计算方式有：频率、tf-idf、BM25、布尔模型、空间向量模型、语言模型等。由此可得到一系列低维稠密的相关性数值特征，这类特征特别适用于xgboost/GBDT这类模型。

一般来说，我们会先对query侧和商品item侧的文本进行切词，当然，对文本的预处理也至关重要，比如字符规范化（全角半角，大小写，简繁体等转换）、拼写纠错、过滤中英文标点符号，去除停用词和连接词等。query一般由商品品牌/产品词 + 商品属性（颜色、材质、款式）/修饰词/度量单位 构成，比如“粉色外套”中的粉色是商品的颜色属性，外套则属于产品词。通常来说，我们需要提取中心词/产品词/修饰词，eg：“2020年外套女宽松韩版”可以提取出“外套女宽松”，“小白鞋新款女百搭”可以提取出“小白鞋女”，我认为，“2020年“、“韩版”、”新款“、”百搭“均属于无意义的”停用词“，至少在电商场景，对于我们训练模型而言，这类词是没有任何信息增益的。任意一款商品的标题都可以加上“2020新款百搭”。

query既可以指代搜索场景当前的搜索词，也可以泛指推荐／搜索场景，用户的历史搜索词。

词命中率：我们首先需要对query侧或item侧进行单边扩词，即同义词扩展。其中，同义词挖掘可使用word2Vec等方式，通过相似度分数截断及人工review后，得到一个同义词词典。之后将query／item（待排侧）扩词后的文本分别按照词粒度／字粒度进行切分，经过unigram／bigram／trigram组合后，计算两侧重合term／交叉产品词／交叉修饰词的数量，占query侧／item侧term总数量的比例。

反向词：反向词也是一类重要特征，我们需要维护一个反向词词典，训练时，检测query侧和item侧是否存在反向词。

对上述特征进行处理后，加入xgboost模型中训练，以广告ctr为优化目标，离线AUC+2.1%，线上ctr/广告收入+2%。

2、SimRank/SimRank++/点击二部图

SimRank是一种基于图的推荐算法。思想与协同过滤算法相似：如果两个用户相似，则与这两个用户相关联的物品也类似；如果两个物品类似，则与这两个物品相关联的用户也类似。

SimRank——利用query和商品之间的点击关系建立二部图(bipartite graph)，其中，Query和商品分别是两种节点。边表示点击关系，可以无权重，也可用点击次数/点击率作为权重。

SimRank++——在SimRank的基础上进行了改进。构造转移矩阵时，考虑不同边的不同权值。进行节点相似度修正，将共同相连的边作为置信度。

几年前，Yahoo有一篇paper提出，将点击日志构成二部图，通过二部图进行向量传播，收敛之后，query和doc（类比item）将在同一空间上生成词向量，如此一来，就可以通过相似度的计算方式得到文本相关性。对于未曾有过点击行为的query和doc，也可以进行该空间词向量的估计。这是SimRank及其衍生算法与文本相结合的一个很新奇的思路。

假设语料库长度为 ，则Query构成的矩阵为： ，Doc构成的矩阵为 ，我们的目标是计算这两个矩阵。这里的语料指的就是Query和Doc共处的向量空间，由Query分词后的term，或者Doc中的title/content分词后的term集合构建。

向量传播模型步骤：

  1. 我们可以任意选择一侧进行向量初始化。若从Query侧开始，将Query向量初始化为 ，0表示第一次迭代。迭代公式如下：

  1. 若从Doc侧开始迭代，公式如下：

实践中，有一些注意事项和优化点（下文中的item指代论文中的doc）：

  1. 只需要对query/item中的重要term进行表示。如第一部分所述，对文本的预处理/提取核心term至关重要。
  2. 由于计算量较大，进行每一轮迭代后，都需要对结果进行剪枝。当我们的训练样本从1天增加至5天时，最终<query, item>pair对的数据量达到几百亿，存储代价极大。通过动态阈值截断（前几轮迭代时，阈值较小，保留足够信息到后期迭代；最后一次迭代时，增大阈值，加大剪枝力度）、建立文本term到query／item的倒排链（无交叉时不计算）等手段，大大降低了计算量。
  3. 若将该二部图模型产出的相似度分数应用于另外一个模型，如果出现train AUC涨很多，test AUC下降很多的现象时，就要特别注意了，99%的可能性是出现了特征穿越。
  4. 计算query-item相似度的步骤从二部图模型迁移到另外一个模型（比如xgboost）：保存二部图模型训练出的query／item向量。在xgboost训练过程中，根据保存的query／item向量，逐条计算每条样本的query-item相似度分数。由此可以在二部图训练过程中，增加样本数量，拉长样本天数，因为二部图的训练瓶颈就在query-item的相似度计算上。
  5. 二部图的边是click，我们可以对click添加position因子进行柔和衰减，缓解position bias。

效果：广告APP搜索，线下AUC+0.7%，线上收入+1%。

3、通过历史点击构建文本序列

这部分的尝试源于18年，基于wide模型。我称之为query term sequence。当时基于点击序列wide模型的AUC：0.684，在此基础上，我对<query，item>交叉特征从多个维度进行探索，分别尝试了以下策略：

  1. 对query的历史商品点击序列建模，用item表达query，同item交叉。AUC：0.702
  2. 从商品维度，对产生历史点击的query序列进行建模，即，对于当前的商品来说，那些使该商品产生点击的query。用query表达item，同query交叉。AUC：0.704
  3. 从商品维度，提取使商品产生历史点击的query序列中的核心term（按照历史点击量和词频计算），对这些term序列进行建模，用query表达item，同query交叉。AUC：0.706
  4. 同3，与分词后的query term做笛卡尔积交叉。AUC：0.709
  5. 是收益最大化的策略。

总结一下，我们从历史点击反馈日志的角度，对query-item信息进行建模。得到term_term的pair对，经模型训练后，得到这些pair对的权重。这里有个强假设，query-item之间的历史点击行为越丰富，query-item的相关性越高。用query表达item，与query交叉，使query侧和item侧的文本处于同一空间内，query侧与item侧的term与term之间进行笛卡尔积交叉，该思路受到二部图算法的启发。

实验效果：广告APP搜索/类目场景，ctr+4.58%，ppc+5.97%，收入+10.7%，RPM+11.1%。

4、如何巧妙应用N-Gram语言模型？

N-Gram是一种基于统计语言模型的算法。它的基本思想是将文本里面的内容按照字节进行大小为N的滑动窗口操作，形成长度为N的字节片段序列。每一个字节片段称为gram，对所有gram的出现频度进行统计，并且按照事先设定好的阈值进行过滤，形成关键gram列表，也就是这个文本的向量特征空间，列表中的每一种gram就是一个特征向量维度。

该模型基于这样一种假设，第N个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。trigram复杂度较高，我们借鉴的是一元unigram和二元bigram思想。

n-gram模型一般用于评估语句是否合理，那么，我们是怎样将其应用在query-item匹配上的呢？我们首先对query进行以下操作：分词（包含char粒度切词和term粒度切词）、去除stop word，精准扩词（人工review同义词表 + word2Vec挖掘出term2term词表（top3）），抽取核心词／产品词+ 修饰词，得到由m个词组成的query序列。

举个栗子，原始query：“2020年新款百搭连帽紫色短款韩版外套秋季”，通过term粒度切词后，得到[“2020年”,“新款”,“百搭”,“连帽”,“紫色”,“短款”,“韩版”,“外套”,“秋季”]，过滤stop word后，得到：[“连帽”,“紫色”,“短款”,“外套”]（unigram词序列）。在此基础上得到的char粒度切词结果：[“连”,帽",“紫”,“色”,“短”,“款”,“外”,“套”]（unigram字序列）。假设我们的语料库长度为 ，对于前者，我们可以计算每个一元词的概率： ，依此类推，全局算完后，需要最后确定一个截断阈值，据此过滤掉大部分不常见的词。同样的，我们可以得到二元集合 ：[“连帽紫色”,“连帽短款”,“连帽外套”,“紫色短款”,“紫色外套”,“短款外套”]（bigram词序列），如何得到每个bigram的概率呢？这就需要用到n-gram概率公式了，但需要在原始概率公式上进行修改。在翻译／自然语言处理领域，term的前后向关系至关重要，交换了两个term的位置，其含义可能完全不同。比如，“我喜欢猫咪”和“猫咪喜欢我”是两个含义完全不同的句子。但是，在电商场景，query搜索词的词序对于我们理解这个query毫无影响：“短款外套”和“外套短款”的含义完全相同。因此，在计算 时，既要考虑当“短款“出现时，”外套“出现的概率；又要考虑当”外套“出现时，“短款”出现的概率。称之为backward-bigrams模型，公式如下：

因此， ，这个公式其实等同于： 。通过计算出的概率，对二元bigram短语进行筛选，过滤不常见的组合。

对于字粒度（char）序列的处理同上。使用字粒度处理query的好处是，避免错误分词造成term信息有误，且可以降低对于同义词典／分词词典的依赖。比如，item中的标题是“A字裙”，搜索query是“裙子”，若两者均采用词粒度分词的方式，这个item就不可能被召回。但若使用字粒度进行切分，搜索query：[“裙”, “子”]，item：[“A”,“字”,“裙”]，就可以成功匹配上了。

通过词粒度和字粒度处理后，我们将得到四个序列：unigram词序列，unigram字序列，bigram词序列，bigram字序列。使用这些序列信息表达query，与item侧进行交叉。

实验效果：广告APP搜索场景，离线AUC+0.8%。ctr+7.07%，ppc+3.8%，收入+9.46%，RPM+11.1%。

5、如何通过tf-idf筛选文本序列？

19年，我们尝试将query & item 的文本信息加入wide & deep模型。在搜索场景，用户当前搜索query的文本信息和item的标题包含了用户意图和待排商品的属性信息。通过在wide & deep中新增query & item交叉，离线AUC+1.08%。

query侧：对用户当前搜索词（类目或推荐场景，可通过用户历史搜索词替代）分词后构建的序列；title侧：待排商品标题，经过数据清洗、停用词过滤、分词、扩词后，为了提取标题中的核心词，使用TF-IDF计算每个term词的分数，按照该分数进行降序排列后，取top20。

Wide模型：增加当前Query分词和Title分词筛选词的交叉特征。Deep模型：增加当前Query分词和Title分词筛选词的attention交叉。

结构上，在保证原有的wide模块不变的情况下，deep侧平行新增Text Attention模块，具体结构见下图红色部分，用于强化文本信息的表达。

那么问题来了，为何要通过tf-idf提取标题中的核心词呢？在电商场景，为了增加召回率，商家极其擅长堆砌标题，这就让算法工程师们很苦恼了。标题中不同term贡献的信息量是完全不同的，出于模型复杂度考虑，我们不可能将这些term尽数保留。观察以下的例子：“2020年新款女长袖韩版百搭宽松学生套头卫衣连帽外套女ulzzang秋冬时尚学院风”（不得不惊叹于商家词汇量的丰富），对标题分词后，我们需要对每个term进行扩词，每个词可以扩展到3～5个同义词，最终得到的标题序列长度可能超过50。我们当然可以通过去除停用词的方式筛选出一批信息量贡献大的词，但�