苏宁云商IT总部搜索算法团队负责人孙鹏飞
在10月27日下午举行的数据挖掘专场论坛上，苏宁云商IT总部搜索算法团队负责人孙鹏飞做了题为《苏宁易购大数据在搜索中的应用》的演讲。演讲主要分享了搜索数据挖掘应用场景的具体体现。以下为其演讲实录：
今天分享的主要内容是大数据技术在搜索当中的应用，我们首先来整体看下搜索为哪些产品提供服务？我们这里有苏宁易购、苏宁推客、PP视频、苏宁小店、苏宁金融等，大家可以看到我们的数据已经覆盖到了线上和线下。
我们支撑这么多产品线，是因为采用了三层的体系架构。最左边这部分是我们数据生成模块，中间是数据加工模块，最右边是数据应用。我们可以看到，在数据生成模块，主要由以下几部分组成：Spider爬取的一些数据、商品数据、视频等结构化数据，以及用户行为数据，最后一块是我们的图片库，图片库包括商品的图片信息，还有异构图片信息，我们都会根据不同的用户场景建立不同的管道，为我们不同的业务提供服务。在数据加工层面，针对不同的业务场景去建立不同的业务模型，为我们数据应用提供相应的支持和服务。在数据应用层里面都会把这些包装好，对外提供相应的服务。
搜索数据挖掘应用场景
下面我来介绍一下今天主要分享内容，即数据挖掘应用场景。主要包括架构方面的一些优化、个性化搜索排序，还有Query分析、智能导购、知识图谱等等。
首先我们先来看下架构方面的优化。我们知道搜索引擎都是对检索的商品数据建立倒排，提供检索服务，根据用户query去召回一些商品。但这只能解决80%的问题，20%的热词，召回商品数量非常多，直接影响召回速度，以至于我们后面的级联排序无法正常实现。所以我们这里做了一个小小的尝试，建立一个加权的倒排索引，使我们整体性能得到了提升。我们加权的依据是根据商品的浏览、购买等一些行为数据，预先建模，并通过这个模型算出相应的商品质量分，通过商品质量分干预这些商品在倒排表中出现的位置，做数据截断，加速我们的检索性能。
优化前后对比分析，可以看到整体的响应时间缩短了近乎一倍，性能得到大幅提升。但是有人会问，我们这样做会不会影响召回商品的质量？其实恰恰相反，因为我们是通过模型计算相应的商品质量分，保证在召回的过程当中，把高质量商品召回过来；同时基于截断的数据进行排序提高了排序结果的精准度，进而提升整体服务质量，使得用户体验变得更好。
下面来介绍下搜索的大脑——Query分析系统。它主要是理解和分析用户背后的意图，包括如下几个模块：类目预测、智能纠错、成分识别、知识扩展、品类关系识别，以及品牌关系识别。
在这里我们结合知识图谱，以及关系模型去计算、分析Query的成分，最终识别出相应的品类、品牌及属性，理解用户背后的意图，为精准召回提供服务。
搜索个性化排序。谈到个性化，自然而然会想到千人千面。在电商领域，建立用户画像和商品画像；对于用户画像，基于用户的行为对用户打标签，提取用户的偏好及兴趣标签。在建画像的过程当中，也遇到了一些问题。例如，如何去评价画像的准确度？此外，不同品类下它的购买力偏好是不一致的。比如说，一个用户在手机品类下，他可能比较喜欢iPhone，iPhone在手机里应该属于一个高端品牌，所以他的购买力是一个高端用户；但是他换到家电，换到冰箱洗衣机的时候，他可能是一个中低端的用户，所以这个里面不同品类购买力是不一样。
我们看一下是怎么构建我们的用户画像？以及怎么把用户画像和我们的应用结合起来？我们在做的过程中发现用户画像需要和Query系统结合起来，为引擎去提供服务。在这里有几个好处：Query可以实时分析一个用户的意图，可以根据这个意图对标签进行一个裁减。同时，还可以根据意图，对标签进行加权，这样可以更好地为整个引擎去提供服务，并且可以制定一些排序策略。
下面看看是怎样设计整体架构？首先整体架构是一个三层体系，online、offline、near-line。在offline阶段，利用用户行为数据、商品数据及外部异构数据，建立复杂的模型，获得用户的长期行为偏好；在near-line阶段，对用户行为数据进行相应的实时分析，建立一个准实时的模型，计算用户的短期偏好；在online阶段，结合offline和near-line的模型数据以及query分析和反作弊系统，建精排模型实现个性化排序。
介绍完架构后，再介绍下算法模型体系。这里采用multi-task learning，从下至上依次是：input layer，representation layer，multi-task layer。下面举例介绍下多任务学习，如任务一是CTR任务，在该任务中训练CTR模型，得到表示层的信息。将表示层信息应用于任务二、任务三。此外，任务二里面可以对任务一里面学到的表示层的信息，进行微调，以满足任务二的需求，共享表示层，加快模型的迭代速度。
刚才谈到了个性化排序，有排序存在，就一定会有一些作弊行为，这里面在介绍下反作弊系统，保障排序的公平、公正。下面来看看我们是怎么做的呢？最底层就是数据分析平台，我们会把日志数据、商品数据，还有店铺的数据收集上来之后，进行分析、提取相应的feature，然后在识别引擎里进行作弊识别，最终提供一个相应的服务。
下面介绍一下，最核心的学习引擎，大家知道反作弊问题是一个样本不均衡，作弊的数据比起正常的数据少了很多。所以我们在建模型之初考虑这一点，采用集成学习思想，构建多个弱分类器组成一个强度分类器，综合地去判定是否属于作弊行为，然后进行相应的输出打分。
这几年，随着深度学习和大数据技术的发展，越来越多人将其结合起来，应用于不同的产品上，特别是在智能导购类，智能助手类的应用。我们团队很早的开始尝试这方面的研发工作，2016年底的时候推出了第一版智能导购的产品。经过了几年改造，产品现在比较完善，不仅能支持智能导购，还可以支持售前、售后客服，甚至还支持其他助手类服务。
整体的架构体系如下，首先最上层是处理用户的输入，包括语音和文本，将这些信息输出到我们的路由层；路由层是两部分组成，一个是分析这些数据背后的意图，另一个是提取相应的属性信息，为不同的机器人引擎提供相应的服务；第三层是机器人引擎层，我们现在已经接入了三大类的一个机器人：第一个机器人，任务型的机器人，比方说问天气、订票、财务机器人；第二个机器人，导购型的机器人，比如我想买手机，买便宜型的手机，这种是任务型的机器人；第三个机器人，闲聊型的机器人。
最下面这一层是我们API的服务，以及由语料库组成的知识库等等。
下面详细介绍一下各个模块。先来介绍一下意图识别，我们将意图识别问题抽象成分类问题，在上线之初，利用SVM进行意图分类，它可以解决85%问答的需求，但是还有15%分析不出来，这是由于语义鸿沟造成的。所以我们考虑用深度学习技术去实现它，这里选用CNN的网络，没有选用其他更复杂的网络？因为我们发现CNN从准确率和效率上可以满足我们上线的需求。虽然可以通过复杂的网络把准确率提高一些，但是它的性能就会极具下降，这样用户体验就变得非常差，所以我们从准确率和效率两方面考虑，选择了CNN。在CNN里面我们做了一个小小的改进，就是在输入层融入了符号化向量特征，下面我会详细介绍一下。比如，右边是华为手机完整的知识图谱，可以看到知识的表示。当我们拿到用户的Query信息，我们会结合知识图谱对其进行向量化，一同拼接作为CNN的输入。这样做的好处是通过增加一些feature，使得整个CNN准确率进一步提升；同时，对性能上的损失不大，在上线要求的范围内。
再来介绍一下槽位提取，或者属性提取。这个阶段主要是把属性抽取这个问题转换成一个序列标注问题。这里面我们尝试了用字进行序列标注，还有用词进行序列标注。但是在对比的过程中发现，以词进行序列标注的效果更好一些。我们通过一些案例去分析后，得出一个结论：因为词的语义信息可能更完整一些，在序列标注的时候，就可以获得更好的标注效果。
下面我来介绍一下客服机器人。在客服问答中经常用的一个技术，就是基于检索式的机器人，因为我们已经构建了庞大的问答知识库，95%的问题可以从库中检索出相应的答案。故这里面采用了Deep Match模型，避免语义鸿沟的问题。
最后介绍一下搜索的知识图谱，这几年我们尝试了很多新技术，也沉淀下来去做了很多方面的尝试；现有平台也给我们提供的一些相应服务和技术支撑上，基于此去构建了整个知识图谱。
可以看到，底层是由分布式的存储、分布式的检索、流式计算，以及人工标注的系统，自动标注的系统构成的。上面是知识获取，知识获取之后，会对这些知识进一步提炼，提炼出所需要的一些实体，比方说构建一些三元组，构建一些边的关系等，形成了我们的知识图谱。
知识图谱构建完了之后，我们需要做另外一方面的尝试，就是知识的推理。我们会预先推理出一些东西，存在库里面，为图谱的应用提供服务。比如说会挖掘一些边关系，还有一些知识的理解，一些实体的理解等等，为我们图谱的应用提供相应的服务。
最后是应用层，我们会对所有的产品提供服务，比如刚才介绍的问答系统，结合知识图谱，提高意图识别的精准度。
之后是商品参数的一个纠错。因为买家在上架的新品过程中，经常会遇到属性维护错误，挂错类目等问题，利用知识图谱，建立相应的模型，帮他纠错，并且还可以主动提示这些商家应该维护哪些信息。
最后一块是Query分析，Query分析过程中大部分的数据支撑都来源于知识图谱，知识图谱的好坏直接影响Query分析结果。
方舟！
