搜索引擎可以分为三类，元搜索引擎、综合搜索引擎、垂直搜索引擎。元搜索引擎使用场景较少，综合搜索引擎逐渐成熟，而许多垂直搜索引擎发展却参差不齐。一方面，身处垂直行业的企业更关注业务发展，较少关注产品算法和策略。另一方面，网络上关于搜索引擎的功能设计的文章汗牛充栋，而对搜索引擎的策略设计阐述却是不常见。针对这种现象，本文将以互联网房产为例，分享垂直搜索引擎的构建策略和基本框架，希望可以为后来者带来一些启发。
前文简要介绍了房产垂直搜索引擎的含义、特点和作用，随后叙述了房产搜索引擎的框架搭建，包括query分析、召回策略等。有兴趣的读者可以通过点击下方链接查看。
传送门：深度解析 | 垂直搜索引擎构建：一个例子（上）
在本文，我们将介绍垂直搜索引擎的排序策略、效果评估等内容，通过本文你将了解垂直引擎的排序和评估方法大致框架。
一、排序
在进行搜索引擎优化项目时，读者可能会遇到各种关于排序的文章，内容纷繁复杂，让人眼花缭乱，不知所措。因此，作者对工作中的经验和相关论文进行回顾，梳理了排序的大致框架。希望通过下面的阐述，能够揭开排序领域的一角，为读者在工作和学习上带来帮助。
1.1 排序简介
排序是对召回数据按照一定规则重新排列的过程。排序对搜索、推荐和广告的效果有着直接影响，好的排序可以提高用户体验和广告收入。
排序的发展历程经历了多次迭代，可以概括为三个阶段：
- 统计阶段：该主要采用一些静态得分或统计指标作为规则进行排序。在此阶段，我们通常会使用一些基础的统计指标或者规则，如TF-IDF、PageRank等，对数据进行初步排序。这些算法或规则还会使用一些统计指标，如关键词匹配、item评分等作为排序依据。
- 机器学习阶段：我们也可称之为机器学习早期阶段。该阶段模型较为简单，参数较少，有一定个性化推荐能力。在早期的机器学习阶段，主要将LR（Logistic Regression）、GBDT（Gradient Boosting Decision Tree）、FM（Factorization Machines）、RF（Random Forest）、XGBoost（eXtreme Gradient Boosting）等机器学习算法应用到排序策略中。该方法主要思路是利用业务数据和业务指标（如CTR）训练高表现的排序模型，可以简单理解为：求解CTR和Item关系的（局部）最优拟合函数，从而使更有可能被点击的Item排在前列。
- 深度学习阶段：深度学习属于机器学习的一个新领域，深度主要体现在使用多层神经网络训练，它也是机器学习的一个领域 。因为其与传统机器学习有着不同的特点，在此单独作为一个阶段进行叙述。该阶段主要使用深度学习（部分企业也使用了强化学习）进行排序，代表模型有：DNN（Deep Neural Network）、DSSM（Deep Structured Semantic Models）、FNN（Feedforward Neural Network）、PNN（Probabilistic Neural Network）、NFM（Neural Factorization Machines）、AFM（Attentional Factorization Machines）。
深度学习思路本质上与机器学习类似，但其不同之处在于参考了人脑神经元结构，引入了多层神经网络，从而提高了函数的拟合和泛化效果。此外，深度学习还可以降低特征维度，淡化物品的表征能力。
从上述三个发展阶段可以看出，排序的发展路径为：单一数据特征表示 → 多元数据特征表示 → 低维密集向量表示。这些阶段都是将用户、物品、查询等数据转换为向量表示，并通过学习来实现排序的业务目标。
1.2 排序流程
排序可以按照流程分为粗排、精排和重排三个阶段。
1.2.1 粗排
粗排是使用一定策略，对召回数据进行大致排序，对候选集进行初步筛选，以减少计算量。通过粗排，我们可以减轻精排的压力，并提高排序效率。由于粗排是对召回数据的预处理过程，因此也被称为预排序。
粗排需要快速从海量数据筛选出较高质量的数据，因此不能使用过于复杂的模型。在此我们主要介绍几种经典的方法。
（1）基于统计规则的静态商品质量评分
该方法主要采用一些静态指标，使用一定函数给item打分，从而进行排序。评分依据之一是query和item关联度，如使用TF-IDF、BM25等方法计算item重要程度；其次是item特征得分，包括：
- item属性评分：如房源户型评分、交通评分、生活配套评分、房源发布时间等；
- 用户行为评分：包括房源的CTR、点赞率、收藏率等
- 作者评分：在一些行业，例如短视频领域，作者账号的权重也会被考虑在内。这些权重包括关注量、认证情况、平均完播量、平均点赞量、平均收藏量、平均转发量等等。通过进行加权计算，高得分的账号将会排名靠前。
通过评分，可以将高质量的item排在前列。不足的是，该方法通常使用离线计算，无法及时更新。同时，它也未能反映用户个性化特征，使得排序结果加重了马态效应，降低了长尾item的曝光量。
（2）LR（逻辑回归）
逻辑回归虽然名称中包含“回归”二字，但实际上它要解决的是分类问题。逻辑回归包含线性回归和非线性转换两个部分，通过将线性回归的输出通过一个非线性函数（通常为 Sigmoid 函数）进行转换，将其限制在 0 到 1 之间，以表示概率，将概率较大的item排在前列。
以房产搜索引擎为例，假设我们需要预测房源广告是否会被用户点击。每条房源广告只有两种可能的结果：被点击或未被点击，这是一个典型二分类问题。
我们可以考虑将两方面的特征作为输入：①与房源相关特征，如房源类型、面积、户型、建造年份、价格等。②此外，我们还可以考虑用户行为特征，如用户搜索历史、浏览历史、点击历史等。然后将CTR做为输出。
通过模型训练，我们可以将房源得分控制在0~1之间。同时，以0.5为阈值，将0.5分以下数据进行剔除，并按得分进行排序。从而提高房源的点击率
可以看到该模型引入了用户特征，既提高了房源点击率，也使搜索结果更加个性化。
（3）DSSM
DSSM（Deep Structured Semantic Models）又称为双塔模型，该方法是一种深度学习方法，可以用于学习query和Item之间的语义相似性。它通过神经网络模型将它们表示为连续的低维向量，使得具有相似语义的query和ietm在向量空间中靠得更近。DSSM 最初是为了解决 Web 搜索中的query-doc匹配问题而提出的，但它在其他自然语言处理任务，如推荐系统、文本匹配等方面也有广泛的应用。
在房产搜索引擎中，我们可以使用 DSSM 模型来匹配query和房源，以找到与用户query最为相似的房源。
我们可以通过以下步骤来实现训练：
①通过对用户query的分析（参考本文前文），将用户查询做query分析预处理后，可以使用CBOW（词袋模型）、 word2vec 等方法将query和房源结构化表示为向量。
②构建神经网络模型（如MLP），分别对query和房源信息进行编码。该神经网络将二者表示为连续的低维向量。通过训练，模型可以使query与相似的房源在向量空间中更为接近。
③训练好后，我们可以通过训练好的 DSSM 模型，对给定用户的查询和房源描述进行编码，计算它们在向量空间中的相似度。然后，根据相似度对房源进行排序，将最相关的房源推荐给用户。
使用DSSM可以匹配query与之关联最高的房源，可以保证粗排数据的质量。DSSM需要高质量的训练数据和大量计算资源。在工作场景中，可按需要进行处理。
例如，当用户的query=“chaoyang两居二手房”，若分析器处理结果为实体属性，如{Region：’朝阳’；House Type：’二居’; House Status：’二手房’}。此时我们可将其处理为业务向量，与结构化房源进行相似计算，按相似度进行排序，也可以取得不错的效果。因此，在实际应用中，根据具体场景和需求选择合适的方法是十分重要。
（4）个性化模型
个性化排序模型，又被称作“千人千面”。它基于用户特征和行为数据，对搜索结果实施个性化排序，以更好地满足用户需求。具体而言，该模型可根据用户的个人属性、行为属性、偏好属性等特征，对搜索结果进行个性化排序。
例如，对于一个搜索“北京市二居室”的用户来说，如果该用户历史多次搜索过三环内的房源，那么搜索结果中三环内的三居室房源将会被优先展示。这种排序策略可以满足用户个性化需求，提升用户体验。
（5）多目标模型
在房产搜索引擎中，排序不仅要考虑相关性，还要考虑多个业务目标，例如展示尽可能多的优质房源、提高用户点击率、收藏率、咨询率和呼叫率等。
利用深度学习，我们可以训练用户特征、物品特征、统计特征、场景特征作为输入，将点击率、收藏率、咨询率和呼叫率作为输出，最后计算四个值的加权平均数。我们可以将该平均数作为房源的目标评分，进行排序。该方法考虑了多个业务指标，会业务解释能力更强。
（6）实时特征排序
实时特征是指用户在搜索过程中产生的实时行为特征，例如搜索词、搜索时间、搜索历史等。这些实时特征可以用来调整排序策略，更好地满足用户需求。例如，如果用户在搜索“北京租房”后又搜索了“朝阳区”，那么在后续的搜索结果中，应该优先展示朝阳区的租房信息。
选取哪种方法需要考虑业务的特性和用户的需求，同时也需要平衡商业成本与ROI，从而选择最合适的排序方法。
1.2.2 精排
精排是指通过各种模型对数据做出精细化排序，提高搜索结果的质量。精排也可以提供个性化的结果，使搜索结果更加满足用户的个性化需求。
精排需要从粗排数据筛选出较高质量的数据。常规的排序模型LR、GBDT、FM等存在一些问题，如调整参数困难、过拟合（Overfitting）等问题。而使用深度学习或强化学习构建的模型，可以自动学习特征和调整参数，能够避免上述问题，提高排序模型的准确性。
（1）LTR
精排可以视为LTR（学习排序）问题。在搜索引擎中，学习排序通常分为三类：Pointwise、Pairwise 和 Listwise，下面将简单介绍这三种方法。
Pointwise：
Pointwise 将排序问题视为一个回归或分类问题。在这种方法中，我们对每个item单独处理，不考虑其他item的相关性。CTR方法就是一个典型的Pointwise方法，例如，在房产搜索中，为每个房源分配一个点击可能性得分，并根据上述得分对搜索结果进行排序。
Pairwise：
Pairwise将排序问题视为一个二分类问题，强调两个item之间的相对顺序。在这种方法中，我们会对每对item进行比较，判断哪个item与用户需求更相关。然后，利用二分类模型（如SVM、GBDT等）学习这些特征对之间的关系，从而预测item之间的局部优先顺序。
以房产搜索引擎为例，对于每对房源，我们可以计算它们的特征差（如价格差、面积差、户型差等），并根据这些特征差训练一个二分类模型，预测输出房源相对顺序。最后，根据预测结果对房源进行排序。
Listwise：
Listwise将整个搜索结果列表作为一个整体进行排序。在该方法中，更关注整个排序列表的质量，而不是单个item或item对之间的关系。通过训练模型，可以对所有item打分，根据item得分进行列表排序。Listwise方法通常使用NDCG作为评价函数，并基于此迭代排序模型。在房产搜索引擎中，通过输入无序房源列表，然后输出有序的房源列表。
该方法为代表的模型有Lamda 、Ada等。由于关注的是整个列表，该方法也通常更符合用户需求。但也存在数据标注困难、训练成本高等问题。
（2）其他方法
近年来，随着精细排序进入深度学习时代，排序深度学习模型逐渐出现多个细分方向。
- 通过组合和交叉原始特征，提取更高级别的特征表示，帮助模型更好地捕捉特征之间的非线性关系，如FM、FFM、DeepFM、DCN等；
- 基于用户数据信息，捕捉用户兴趣和行为动态变化。代如DIN、DIEN、SIM等；
- 同时优化多个目标，如点击率和转化率等。这可以帮助模型在多个指标上取得平衡。如ESSM、MMOE、SNR和PLE等。
限于行文空间，上述模型的细节不作展开讲解，我们将在后续专栏其他文章进行阐述。
1.2.3 重排
重排是利用各种方式对精排数据进行重新排序，以实现搜索结果多样化、运营内容混排、流量调控等目标。
- 多样性：通过展示多样化数据，可以降低内容、品类单一等问题，提供内容异质性；
- 内容混排：如在房源列表中插入广告、视频/图文/直播内容、主题聚合等。
- 流量调控：流量调控可以看作是对部分特殊item流量进行控制，避免缺乏曝光和过度曝光。如常见的新发布房源冷启动、曝光保量等问题。流量调控实际上有许多问题需要注意，有兴趣的读者可以查阅相关内容进行阅读。
在本文，我们主要介绍以下几种重排方法：
（1）固定策略
固定策略是指在搜索引擎中，将某些内容固定展示在搜索结果的某个位置。比较常用的是方式是等距插值，如每4个房源后插入一条广告/素材/主题等。
（2）规则策略
规则策略是指根据业务方需求，对搜索结果进行规则性的调整。常见方法如下：
①根据类别排序，优先展示真房源、新上架房源、高评分房源等；
②排除不感兴趣、B端黑名单等；
③广告竞价：根据B端广告付费竞价，进行优先排序。房源的点击会直接影响竞价广告的收益率，间接影响客户的续费率。
（3）listwise
使用pointwise时，同一用户query，每个item在精排阶段都是独立的，可能存在召回item的特征相似，缺乏异质性。listwise方法主要思想：将用户原始query与所有候选item联系起来，用来关注上下文信息。考虑上下文因素，并进行重排。
值得注意的是，在排序方面需要注意排序的一致性，避免召回、粗排、精排、重排策略不一致的情况。在各个阶段使用矛盾的模型可能提高搜索结果的不确定性，降低排序结果的表现。
最后，对于排序而言，应避免陷入技术追求陷阱，认为搜索引擎如果没有采用 GBDT、DNN 等复杂技术，就算不上好的搜索引擎。
实际上，构建一个高效的搜索引擎应当关注业务需求和用户体验，适当地根据实际场景选择相应的技术方法。比如，在某些特定场景下，简单的基于关键词匹配的排序策略可能就已经足够满足用户需求。此时，使用复杂模型，不仅浪费了宝贵的技术资源，还会降低搜索引擎的响应速度。
因此，在选择排序方法时，应该根据实际业务需求和场景来权衡，而不是过度追求技术复杂度。
二、搜索评价
如果没有科学的评价系统，我们很难衡量搜索引擎的好坏，也就难以改进系统，提升搜索性能。通过评价系统我们可以找到搜索引擎存在的问题或缺陷，提高搜索引擎的表现。同时表现较好的特征，我们也可以进行迁移学习。
2.1 搜索引擎的评价体系
搜索指标通常应该具备客观性、可测量性、科学性。也就是说，指搜索系统评价应尽量采用客观指标，这些指标是可以测量的，并且科学的反映了搜索系统的性能。
参考相关文章，我们将搜索系统的评价分为两个方面：①效率指标；②效果指标
2.1.1 效率指标
效率指标主要对搜索引擎时间性能和空间性能进行评价。主要关注响应时间、开销、索引量等指标。
- 响应时间：提交query到返回结果的时间。响应时间通常要求在0-100ms以内。由于搜索容易受到网络、设备等因素影响，计算时通常采取多次搜索的平均响应时间
- 开销：主要指系统占用的内存和外存空间。
- 索引量：用户可以检索到item的数量，索引的配置将影响搜索的执行时间。
2.1.2 效果指标
效果指标主要针对搜索结果效果评价而言，通常有以下方法：
（1）准确率
精准率 (Precision)：搜索结果中相关item与所有item之间的比例。计算公式为：准确率 = 相关item / 所有item数量。例如，用户搜索京海市的房源，如果在前10个搜索结果中有8个与京海区相关，则精准率为0.8。
（2）召回率
召回率 (Recall)：召回率是搜索结果中相关item与所有相关item之间的比例。计算公式为：召回率 = 相关item数量 / 所有相关item数量。例如，当用户搜索青华区的房源时，搜索结果中有40个相关房源，而数据库共有100个与青华区相关的房源，则召回率为0.4。
需要注意的是，当召回和准确率达到一定程度时，就会互为掣肘。继续要求更高的召回，必然会牺牲准确性，反之依然。使用如何衡量，需要依据实际场景决定。如在房源搜索中，要求召回更多的房源，需要降低query与item的匹配度，精准率也随之降低，反之亦然。
（3）F1分数
F1分数 (F1 Score)：F1分数是准确率和召回率的调和平均数，用于综合评价搜索引擎的性能。计算公式为：F1 = 2 * (Precision * Recall) / (Precision + Recall)。使用调和平均数可以综合反映系统性能。
（4）P@k
对于海量的搜索结果，我们不可能根据所有结果计算准确率和召回率。因此，我们假设用户关注的是排序比较靠前（前k条）的item。P@k 是评估搜索引擎在前 k 个结果中相关item的比例。计算公式为：P@k = 相关文档数量 / k。当k=10或20，称为p@10，p@20。
（5）MRP
平均准确率 (Mean Average Precision, MAP)：多个query在搜索引擎中准确率的平均值，该方法的假设前提是每个用户都期望找到相关的item。
5.MRR
使用p@k方法通过多次对query查询进行评价，降低了计算的复杂度，但也忽略了前k个item的排序质量评价。因此，我们引入MRR的概念。
假设用户首次查询海淀小学，搜索结果中第5条为关于相关的学区房源，那么得到的评价为1/5=0.2；用户第二次查询为“国家图书馆”，第2条就返回了相关的地标房源，我们将其评价赋分为0.5。那么MMR=（0.2+0.5）/2=0.35
由上可知，MRR 是评价搜索引擎对首个相关ietm的排序效果。计算公式为：MRR = (1 / Q) * Σ(1 / rank_i)，其中 Q 是查询数量，rank_i 是第 i 个查询的首个相关文档的排名。
（6）nDCG
nDCG (Normalized Discounted Cumulative Gain)：nDCG 是一种度量搜索引擎对于相关文档的排序质量。计算公式为：nDCG = DCG / IDCG，其中 DCG 是折扣累积增益，IDCG 是理想情况下的最大折扣累积增益。
这个公式可能看起来较为复杂，不过没关系。我们可以抽丝剥茧，娓娓道来。先从CG说起，CG（Cumulative Gain)，累积增益，用来计算（排序后的）列表，有多少个item与query相关。
CG：
CG=Σrel_i，即与query存在相关性item的个数累加（个数为了方便理解，实际可能采用打分），下面使用一个例子来说明CG：
假设搜索结果与搜索相关则得1分，否则为0。若query=“西二旗”,返回结果listA= [城西，二手房，西二旗1居，西二庄，西二旗开间]。显然，CG=[0+0+1+0+1]=2
DCG：
其次是DCG，考虑上述搜索结果listB [城西，西二旗1居，西二旗开间，二手房，西二庄]，它的CG[0+1+1+0+0]=2。显然listB比listA结果更好，但他们的CG却相等，这是不合理的。
因此，我们考虑引入位置信息，使位置靠前的item得分更高，位置靠后的item得分越低。使用减函数f(x)*rel_i可以降低靠后item的得分。这里，我们使用的减函数为1/log2^(i+1)，结合它的图像，应该可以轻松理解。
我们将调整后的CG称为DCG（Discounted Cumulative Gain，折扣累计增益），DCG=Σrel_i/log2^(i+1)。折扣累计增益通过求多次查询DCG的平均数，理论上可以得到较好的评价指标。
IDCG：
使用DCG进行打分真的没问题吗？举个例子。小兰在高考时，物理考了95分，数学考了135分。如何比较二者的成绩呢？如果我们直接比较原始成绩，可能会因为满分不同而导致比较不公平（读者可以简单思考一下解决方案）。
应该如何分析小兰的成绩呢？为了消除这种不公平性，我们可以将两门成绩都归一到0-1的范围之内。这样，不论是数学成绩还是物理成绩，都可以在同一尺度（得分率）下进行比较。我们将小兰物理成绩换算为95/100=0.95，数学成绩换算为120/150=0.90，可以发现物理比数学考的更好。这种处理方法被称为最大值归一化（除此之外，还有均值归一化、z值归一化，有兴趣的读者可以搜索了解）
同理，搜索引擎返回的item数量可能或多或少。比如query=“开间”时，可能只返回3条数据。这时，返回3条结果和5条结果下的DCG，他们的分数计算标准不同，直接比较DCG分数大小就不太妥当。因此我们需要计算每条搜索结果能获得DCG的满分，再使用DCG/满分，得到DCG的得分比例。
我们将所有与query相关的item排在前面，如query=”西二旗”的搜索结果listA =[城西，二手房，西二旗1居，西二庄，西二旗开间]，将结果调整为[西二旗1居，西二旗开间，城西，二手房，西二庄]时，可以得到DCG的最高分（对应的CG为[1,1,0,0,0]需要乘减函数计算DCG，只有排在前面才能获得最高分）这个最高分就是IDCG（Ideal Discounted Cumulative Gain，理想折扣累积增益）。
nDCG：
通过归一化可以得到nDCG的公式：nDCG=DCG/IDCG，NDCG是一种衡量搜索结果质量的指标，它考虑了搜索结果的相关性和排名位置。NDCG值越高，表示搜索结果的质量越好。
除了本文介绍的方式，还有其他的评价指标，如业务指标点击率、收藏率等。具体采用哪种评价方式，需要考虑实际场景。
三、总结
分词有助于更好理解用户需求，召回决定了搜索结果的上限，搜索排序是搜索结果精细化的好帮手，而搜索评价有助于改进搜索引擎。
文章主要讲述了常见垂直搜索引擎的一些特点、作用，搜索引擎的分词流程，召回方式。排序之粗排、精排、重排等方法，随后总结了常见的搜索系统评价指标。
本文由 @知一 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议。