文章链接

https://www.kdd.org/kdd2016/papers/files/adf0361-yinA.pdf

• abstract

点击特征在长尾query上的稀疏性问题

　　基础相关性三大技术：排序函数，语义匹配特征，query改写

• introduction

　　问题：

　　1）直接文本匹配的问题：query和doc的语义差异，query中的‘how much’如何匹配doc中的‘price’；

　　2）大量的长尾query使得点击模型失效；

　　3）用户视搜索引擎为智能问答系统，希望一键找到答案。

综合相关性：

时效性query：‘safest cars’

地域性query：‘walmart’，‘restaurant’

本文重点：

1）排序函数设计：learning to rank，考虑上下文的rerank

2）三种语义匹配特征，将头部query的点击特征迁移至长尾query：点击相似度（click similarity），深度语义匹配（deep semantic matching），转译文本匹配（translated text matching）

3）query改写：针对长尾query

4）时效性，地域性排序

• background

　　——overview of architecture

按doc分片索引，并行召回，打分，去重，基础排序（core ranking）

　　——ranking features

网络拓扑（web graph）：通过网页拓扑连接关系决定doc质量或热度。pagerank；与已知优劣网页的距离

doc statistics：网页各域（field）的词数

doc classifier：spam/adult/langrage/main topic/quality/type(navigational,informational)

query features：包含词数；query频次；各词词频（tf）；有点比（ctr）

text match：各域文本匹配特征（title, body, abstract, keywords, anchor text, url），可以是计数或更复杂（例如BM25）；query各词邻近度（proximity），在doc正文中词之间越近越好

topical matching：主题相似度

click：click，first click，last click，long dwell time click，only click

time：新鲜度（freshness）；inlink和outlink的新鲜度

　　——evaluation of search relevance

dcg@1，3，5；置信度：wilcoxon t-test方法给出p-value

三个query集合：高频（top），低频（torso），长尾（tail）。本文重点关注低频和长尾query的效果。

• machine learned ranking

基础排序（core ranking）使用GBDT model，logistic loss：LogisticRank

使用perfect，excellent，good信息放大梯度信息有更大提升

　　——core ranking

perfect/excellent/good对应scale：3/2/1

LogisticRank >> GBRank, LambdaMart尤其在高频query上

GBRank(混合了pairwise loss和pointwise loss) > LambdaMart(listwise loss，只学习doc的相对顺序)

长尾query上：GBRank接近LogisticRank，LogisticRank在去除bad结果效果明显

在LTR challenge data set上DCG@5：LambdaMart > GBRank > LogisticRank，原因是商用搜索引擎数据中有明显更多的bad query-doc pair

定义基线为‘background’部分所述特征+LogisticRank。

　　——contextual reranking

在少量数十个top results上提取上下文特征：

rank：对url的rank增序排列，实际中使用rank值效果比直接使用core ranking的分数好，因为索引更新时分数会漂移

mean：top30 url的特征值均值

variance：top30 url的特征值方差

normalized feature：使用均值和方差将特征归一化

topic model feature：聚合top30 url的主题向量作为query的主题向量，分别算query-url的主题相似度

rerank的目的在于区分perfect/excellent/good，core ranking目的在于去除bad results

　　——implementation and deployment

core ranking部署在index节点上，rerank在汇集节点上

• semantic matching features

长尾query上有点击稀疏性问题，相关doc的锚文本也稀少，另外有query-doc在词汇上的不匹配（比如‘how much’和‘price’），所以从点击日志中提取三种重要的语义匹配特征：点击相似度（click similarity），深度语义匹配（deep semantic matching），转译文本匹配（translated text matching）

　　——click similarity，CS

VSM具有词汇不匹配的问题。因此从点击二部图（bipartite click graph）中提取query和doc的向量表示，都使用query的词典为各维度含义。具体方法：

使用点击数作为点击二部图中边的权重，提取doc的co-click query作为doc的表示，参考query的co-click doc向量表示将doc vector中的terms传递给query，轮流迭代。

每轮迭代只保留top-k个term，在数轮迭代后qv（query vector）和dv（doc vector）可收敛。

用qv和dv的內积作为click similarity。

每月更新，qv保存在汇集节点，dv保存在正排索引中。

　　——translated text matching，TTM

click similarity不能计算点击日志之外的query和doc。统计机器翻译（statistical machine translation，SMT）将query和doc互译可作为启发，用户解决词汇差异。

使用clicked query-title pair做一个翻译模型（translation model）。用此模型将q翻译成k个alternate q，在title词典上表示。对于每个alternate q，都和d算一个cosine similarity值，最后将k个值取max/avg/median作为最终query-doc的相似度。

试验取k=10，将k个值max是实测中最好的，即EXT_Q_TLM1特征；另外有一个AGG_Q_TLM特征，使用title LM下的rewritten queries和query LM下的rewritten titles计算。

为了控制延时实际服务中使用cache，对于cache miss的使用裁剪过的translation model进行在线计算

　　——deep semantic matching，DSM

CS和TTM都在word级别，deep model可以提取语义和上下文信息，泛化到低频和长尾query上。

使用DSSM模型。使用一年的数据，用简单规则去除spamming queries，拼session后去掉abandon（即无任何点击）的session。使用10-slot窗口从上往下滑动，first slot作为d+，其余9个是d-。doc的输入特征除了title还要考虑site名称（比如wiki, weather, imdb)，按照DSSM的做法，3-letter shingling BOW，将embedding的內积作为特征。

实际部署中，正排中存储预算好的title和site的embedding，在线预估query的embedding，然后算相似度。

• query rewriting

为了性能，大型搜索引擎会在recall阶段将包含所有query terms的doc预筛选出来。词汇差异导致相关doc不通过筛选。rewriting可用来改善这一问题。

　　——methodology

分两个阶段learning phase和decoding phase。

learning phase，从query-doc中学习phrase级别的翻译：

co-click query-title pairs作为平行语料，按照典型的SMT过程：词对齐（word alignment），phrase提取，phrase打分。由于title长于query，需要控制null-word alignment

decoding phase，为query生成候选：

为每个feature function算出candidate q（即qc）和q的打分，然后对所有feature functions打分加权求和（权重可拍可学），找出分最高的qc作为rewritten query（即qw）。

常用的feature function：

1）learning phase学到的：q的LM分数, word panalty，phrase penalty, distortion

2）query/rewrite query feature functions：词数，停用词数，LM分数，query频次，包含词的平均长度，分别作用在query/rewrite query上

3）pair feature functions：二部图上q和qc共现url的Jaccard similarity，q和qc频次上的差异，词级别q和qc的cosine similarity，q和qc词数上的差异，q和qc共有的词，q和qc在LM分数上的差异，q和qc在停用词数上的差异，q和qc在包含词的平均长度的差异

　　——ranking strategy

将q和qw召回的docs合并，重复的doc取两者的最高分。使用线上搜索效果评估。

• comprehensive experiments

baseline，+3features,+rewrite

• recency-sensitive ranking

结合大量无时效性标注数据和少量时效性标注数据训练。用一个分类器判定query-doc pair时效性高低，如果是，训练数据标注增加时效性得分。训练GBDT ranker时先训练相关性，补充更多树学习时效性分数。

• location-sensitive ranking

【TODO】

• conclusion

高效、实用，对垂直搜索引擎也合适。