分享嘉宾：林睿 阿里巴巴 算法专家

编辑整理：李鹏 重庆邮电大学

出品平台：DataFunTalk

导读： 随着人们生活质量不断提高，出门旅行逐渐成为大众喜爱的消遣方式，酒店预定则是出游必不可少的一环。为了让用户拥有更好的体验，满足用户各种个性化地搜索，从而让用户在最短时间内找到心仪的酒店，文本将分享飞猪旅行酒店搜索相关性建设，主要包括：

  • 酒店搜索背景
  • 酒店相关性
  • 基础建设
  • 相关性建模

01 酒店搜索背景介绍

1. 酒店小搜背景

酒店搜索的主入口是飞猪应用主页的“酒店”，随后进入到搜索页面，这是一个比较大的垂直搜索页面，点击搜索酒店后会根据历史记录推荐一些用户想要搜索的酒店，这个业务是一个多端、多场景、多意图的搜索。不仅在飞猪APP上有酒店搜索的入口，在淘宝以及支付宝端也有酒店搜索的入口。毕竟各个端的用户行为、想法还是不太一致，因此各个端的排序也要做好，并且要做出一些差异。另外搜索方面的条件也是非常多元的，它不像传统的百度可能只有文本搜索，酒店搜索条件的多元体现在有文本、价格、星级和城市这样一些不同的条件。进入历史搜索页面后，还有各种各样的筛选条件，所以整个搜索条件是非常丰富的。

  • 它与淘宝的搜索是不太相同的，酒店的用户行为比较稀疏，一个用户可能一年预定几次酒店，甚至几年订一次酒店，这也增加了算法上的一些难度
  • 酒店的用户决策周期是比较长的，酒店的价格相对较高，在最终购买的决策之前，用户有比较多的一些点击行为和思考
  • 酒店搜索个性化是比较强的，会有一些周期性的需求，比如一些出差用户会有周期性的需要等等

这些都是搜索业务上的一些特点，这些特点会带来一些挑战。首先就是刚才提到它的搜索条件比较多，与传统只有文本的搜索不同。除了要关注文本中提到的一些POI，以及一些筛选条件，也需要关注用户本身离它的距离和价格偏好。除了常规的文本相关性需求，在酒店搜索业务中还会有很多其它相关性需求，例如空间，用户可能需要定在某一个景点附近的酒店，或者是公司附近的酒店；还有价格，用户可能是学生党或者是准备穷游的人，会对价格有不同的偏好，这些都是要在酒店相关性排序上需要考虑的。

2. 酒店搜索架构

接下来介绍酒店的搜索架构，该架构和传统搜索还是比较相似的，它也是有一个SP，它会通过实时库链接到用户请求，然后调用请求搜索，接着用QP进行Query的解析，以及对相关酒店进行初排，拿到初排后会调用TPP服务来进行一个排序和打分。此外我们还会结合用户离线的一些行为数据，以及当时用户在线的实时交互特征，以及酒店的一些离线特征，例如名称和位置等。另外也会有一些酒店的实时特征，比如近期的一些成交量，还有一些库存之类的，还考虑到一些实时的报价特征等，最终做出这样一个排序来作为用户的搜索结果。这一次分享的主题主要侧重于酒店相关信息化部分，接下来介绍酒店的相关性部分。

02 酒店相关性介绍

1. 场景与相关性

酒店的相关性和传统文本相关性比会比较复杂，例如空搜/附近搜或景点/商圈搜索，我可能会比较注重于距离的一个敏感度，搜索附近肯定是希望住的酒店离这个位置比较接近；当你搜景点商圈的时候，你也肯定希望想要住在这个景点附近，或者是住在商圈之内，同样是对距离比较敏感的搜索。这两个搜索也是有些区别的，因为像空搜附近搜的时候，其实用户的需求比较泛，可能更多的要考虑用户个性化的一些需求；在搜索景点和商圈的时候，这个意图比较明确，因为一般搜景点的玩法是固定的，其实它和本身的搜索更为相关，和用户本身个性化可能关系不是那么大。

另外用户可能会搜索一些名称品牌，比如如家，他肯定希望想要一个如家的酒店，或者可能跟具体名称相关的一些酒店，这时候会涉及到一些文本相关性的判断，因为用户也可能记不特别清楚这个酒店的名称。另外还会有一些混合的情况，比如用户搜索了“三里屯如家”这种类型的query，既满足距离的位置限制，也满足文本的匹配程度。

2. 酒店的相关性

综上，整体的酒店相关性是比较复杂的一个情况，它是由文本、空间、价格这样多元融合的一个相关性，同时它也受到用户、场景及query中筛选条件的不同，它每一次搜索需要给用户展现一个相关度，也会有不同的侧重。前面提到的这些问题会导致酒店多元化的一个相关性，这会影响数据的标签标注，很难标出一个相关的数据集。它也很个性化，人工也不太好标注。现在整个相关性的模型训练，只能更多的依赖这种点击以及成交的一些label来帮助我们做相关性的一些训练。

综上，我们对酒店相关性的一个方案，就是按以下的步骤来展开：

  • 首先是要识别用户的需求，系统对距离、价格这些的敏感程度以及一些相关程度
  • 然后构建一个多元的相关性，能同时识别文本、价格、空间这样的相关性
  • 最终根据用户的需求对这些相关性进行一个融合，进而得到整体的相关性来增强酒店排序的效果

03 基础建设介绍

1. 核心因子预估

接下来介绍一下我们在酒店相关性基础上做的一些工作，首先是对核心因子的预估，就是刚刚提到的距离和价格这两个因子，这是酒店预定决策中很重要的一环，在酒店相关性构造中也很重要，需要一个好的预估来构造相关性识别。从图中可以看到标签的分布非常不均匀，一般情况下高价酒店需要的人是比较少的，距离远的酒店大概率也是不太需要的。如果我们按照实际物理意义的远近高低价格来做一个划分，这个标签的分布会比较不均匀，为了解决这种不均匀的问题，我们对最终的方案要进行一个修正。要求先验概率比较大的类别需要有更大的逻辑，才能说它是比较有偏好的先验概率，比较低的类别可能就不用那么严格要求，就只需要比较低的逻辑，我们就可以认为它是对这个有比较好的偏好。总体来看，这样的修正在整体效果上还是比较好的，这里以价格为例，可以看到在一线城市价格的需求是比较高的，而在二三线城市它对低价位的需求是比较高的。在机场、酒店、车站的附近，用户对酒店的需求价格可能没那么高，可能就是临时住宿一天，并且对酒店的整个价格和星级舒适度的要求也不会那么高；但是在风景区或者校区公司，用户会对酒店的价格、舒适度有一定的要求。另外从提前天数的分布我们也能看出来，用户对酒店的价格也是有不同的需求，如果在当天预定就可能比较紧张地入住，可能对价格没有那么大的需求，如果提前好几天一个旅行的规划，用户对价格、舒适度会有一定要求，整体来说也是比较符合常人的基本认知，整体的效果还是比较好的。

2. 核心实体识别

我们还做了核心实体的识别工作，这是为了能更准确地计算文本相关性，需要对POI还有酒店名称，包括一些品牌实体进行识别，识别出来的POI也要能够方便计算空间相关性，需要知道景点或者公司的具体位置才能更好地计算空间相关性。我们在做实体识别的时候也会遇到一些问题，首先是实体识别的准确率，另外就是实体具体对应真实地图上的哪个POI。举个例子比如西湖，大家可能都会觉得是去杭州西湖，但实际上在其他城市也会有西湖，比如福州它也会有一些西湖的需求。所以我们还需要对实体进行一个消歧，让它能够正确映射到对应实体上，这样才能做后续的文本处理。

空间相关性的计算我们采用是这样的方案：

  • 首先利用BERT加CRF的方式对用户输入的关键词进行NER识别，找出用户输入文本中的实体，因为BERT本身已经比较强大，所以我们通过简单的实体库和对训练数据进行一些数据增强后，就能得到实体识别一个比较高的准确率结果了
  • 得到一个实体词后，通常会通过倒排序召回、向量召回以及用户的一些行为，即用户在行为上的一些点击行为进行召回，同样也能得到一些候选品牌，或者说POI的真实ID，我们会利用这种文本相关性的得分，来分析这种ID上对应的一些热度以及点击
  • 利用所在城市的一些特征，来构建一个排序模型，最终选出一个最合适的实体作为单层识别实体的一个映射。有了这些实体识别结果以及核心因子识别能力，我们就能对用户的搜索有一个比较好的需求识别

04 相关性建模介绍

1. 文本相关性

接下来就需要根据这些需求识别结果来构建相关性模型，首先是文本相关性这一块分成了两个步骤：

  • 一是在粗排中利用BM25和Jaccard等一些方式，来计算初步的文本匹配得分，并用这个得分按照一定阈值进行分档，这个分档在粗排中可以作为一次粗的筛选来得到一些候选的酒店；
  • 二是在精排模型中会利用计算的分档方案作为一个特征，同时使用酒店名字的一些文本，以及用户搜索中的一些关键词，以此来构建一个文本相关性的网络。这里由于对性能的要求，该网络是比较简单的，我们通过transformer来对query以及title的分词结果来抽取文本特征，得到query和title的文本向量表示，然后进行求差以及按位相乘的操作，会得到两个新的相关向量，将这个向量与原始的query、title以及transformer抽取到的句子特征向量进行匹配，然后通过一个FFN来作为文本相似度的一个特征向量。

2. 空间相关性

接下来介绍空间相关性的建模过程。这块我们原始有一些积累，原始的方案是比较简单的，首先是利用用户到达酒店的一个距离，以及POI到酒店的距离做一个特征。另外刚才用到的距离预估因子分布，做成一个特征交叉输入到排序模型中，作为另一种空间相关性特征。

同时使用酒店POI以及用户的geohash特征作为用户当时所在地的一个表示，这里介绍一下什么是geohash特征，就是可以通过一定的编码方式将经纬度映射到一个网格上，每一个网格就可以用一个geohash来表示，但是它可能会有一些问题，比如在红点这个位置它被分在了中间这个格子，其实它离上面的格子也非常近，所以我们在用具有geohash特征的时候，会考虑它周围八个格子的信息，即综合当前所在格以及周围八格的信息，共同构建一个位置特征输入到模型中做空间相关性计算。

即使这样，方案也还是有一些问题，首先是距离的特征，它并不能很好地衡量空间相关性。举个例子，在上图中当用户搜索西湖的时候，我们对用户所点击的酒店进行一个热力图分析，发现用户在搜西湖附近的酒店，它是有一些比较分散的分布，并不是离西湖越近它会热度越高，因为用户可能会想靠近一些其它的地方，比如浙大的一个校区，以及杭州动物园的其它景点，用户可能会综合考虑要去各个景点的一个方便程度，因此不一定要预定在西湖最近，所以仅有距离这个特征并不能够很好地衡量空间相关性。另外刚才提到的geohash特征，虽然它有二维空间的一个特征，但是它过于稀疏，因此我们只好把它映射到一个ID上，这个ID在学习的时候已经丢掉了它本身的一些地理信息，已经没有原来的经纬度和地理接近的一些信息，我们只是通过学习来得知这个ID和那个ID是比较近的，是通过数据训练学出来的，经纬度它天然带一些这种接近或不接近的信息，这些信息我们在做特征的时候就把它丢掉了，这样又由于geohash比较稀疏，可能学习起来也就很难得到我们想要的一个结果。综上，我们考虑了对空间的一些特征进行优化，将原始的二进制序列进行保留，用这个二进制序列来构建一个tokenlist，这样来表达一个地理信息，从而保留经纬度本身的一些距离关系。

这里举一个例子，我们通过还原它原始的二进制编码，可以得到一个零一表征的序列，由于geohash的一个特性，零一序列的前缀相同越多，得到的这两个序列就越接近。转成这样一个编码后，将它当成一个文本特征来处理，从而可以得到两个文本，它们的前缀相同越多，它们就越接近，这和文本相似度其实也是比较相像的。由此我们就得到了这样一个方法：

  • 将geohash转成一个二进制编码，然后用二进制编码的文本表示作为它的空间特征，这样来计算就可以比较好地衡量空间相关性
  • 和刚才文本相关性计算也比较类似，我们会将用户、酒店以及POI的geohash转化成一个文本序列，这个序列也是通过一个网络抽取的特征向量
  • 得到特征向量后也是通过这种计算，它的差以及单位点乘的方式得到它的交叉向量，最后将这些向量分配在一起，得到最终空间相关性的向量表示

3. 多场景相关性

前面也提到，酒店预定的相关性是比较多元的多场景，因此它需要做一个多元的融合。因此，我们提出了一种多场景多元相关性的融合方案。我们使用了两种特征处理的MLP来实现这个功能，一种就是通用的特征处理，对所有前面抽到的相关性特征，以及酒店固有的一些属性特征，进行一个通用特征处理，得到一个特征向量；另外我们通过前面QP阶段识别到的不同场景，比如商圈搜索、附近搜索、名称搜索之类的场景进行划分，通过一个路口可以走不同的场景来进行MLP的特征抽取，这样可以让这两个特征抽取网络侧重于不同的特征。特征向量是分配的，在进行预测的时候也会通过不同的场景，用不同的预测网络进行点击以及成交的预测，这样就可以学到一个统一的模型来处理不同的场景，并且还能比较好地处理一些场景融合的问题。

4. 详情页特征

最后介绍对其他相关性的一些优化，前面也提到由于标注的难度，我们主要依赖用户点击�