夸克搜索是阿里巴巴(阿里软件有哪些)

导语：旅游产品(如机票、火车票、公交车票)比实体电商更规范，用户的决策因素更单一。但大部分行业都是基于时间、价格或业务逻辑权重等简单规则进行排序，难以满足用户的个性化出行需求。在过去的一段时间里，朱非一直在不断探索个性化的流量搜索排序技术。本次，阿里飞珠的首席老师将围绕智能交通导购，详细分享个性化交通搜索分拣技术的实践与创新。主要内容包括：

背景：交通业务介绍挑战：交通出行业务特殊性解决方案：从业务规则到个性化排序模型效果：模型优化迭代结果总结：进一步优化方向01背景：交通业务介绍

1.运输行业自身的痛点

从交通行业本身来看，目前交通排序策略比较简单，大多基于简单的规则。这种单一的规则排序无法高效匹配用户需求，难以满足用户多样化、个性化的出行需求。这是行业的一大痛点。

2.相比实体电商的不足。

与实体电商相比，运输的商品决策信息非常有限，商品高度标准化，如出行时间、价格等因素。在我们的搜索列表页面中，关键决策信息已清晰地显示给用户。不同于传统电商，即实物电商产品的一些决策信息比较大，而运输产品的信息决策只能展现一些决策因素，所以需要进入详情页才能看到真正的关键决策因素。在流量场景中，这个决策因素明显不同于实体电商。

3.相关理论研究

2018年之前，行业内有一些理论研究，主要集中在学术界，而相关的行业应用相对较少，多基于传统的线性模型和机器学习模型来做流量类别的搜索和排名。2018年，Amadeus发表了论文《Deep Choice Model Using Pointer Networks for Airline Itinerary Prediction》，利用深度序列模型对机票进行排序，在离线数据集上取得了很好的效果。

02挑战：运输业务的特殊性

1.挑战：基于领域、商品、人的用户性质差异。

首先，用户行为极其稀疏，用户出行的频率相对较低，比如一年三五次；其次，用户在出行时更注重服务体验；而且决策因素过于单一，决策过程复杂，决策周期很长。从商品角度看，商品是实时动态的，库存价格是实时动态变化的，运输资源也是实时动态约束的。此外，商品高度标准化，我们可以发现用户在不同场景下的需求差异很大，比如支付宝APP或者淘宝。他们的用户在三个终端上的属性差异很大，即使在同一个终端的不同入口、不同交通场景下，用户的属性也有很大的不同。如何满足这种差异，做到个性化？

2.挑战：与实体电子商务相比：信息孤岛

此外，在交通场景和物理电子商务场景中，搜索被排序。从技术对比来看，首先我们可以看到召回方面的明显差异。传统的实体电商很容易构建U-Q-I的网络结构，因为在同一个Q下，可以召回N个产品，通过查询连接工作产品，从而生成一个网络结构。然而，在交通场景中，这种网络结构是分离的，信息是一个接一个形成的。比如从杭州到新加坡的搜索，一个出发地，一个目的地，可以召回目的地下方的CA767，但不能召回VS251，只能通过上海到伦敦的一条路线召回。这样，很难通过查询将两个产品与用户联系起来。这给商品表示和用户表示带来了很大的困难。

03解决方案：从业务规则到个性化排序模型

1.排名系统架构

如何解决以上困难？这是一个整体在线系统架构图。底层是日志收集和数据预处理，进一步处理数据

2.深度列表模式

为

什么要使用DLM模型呢，DLM模型具有以下几个优点：

交通排序结果多样性模拟用户决策过程工程打分延时低

Amadeus在论文中提到他们的方法获得了很好的优化效果，包括top N准确率有大幅提升。其核心思想是基于Pointer Net网络结构，对航班序列listwise打分。Pointer Net是在2015年NIPS上发表的一篇文章，2018年他们就把文章的核心思想引入到机票排序排序中。

3. DCM：Deep Choice Model

在Encoder阶段，使用的是RNN网络，比如说我们实验了LSTM、biLSTM以及transformer三个子网络，离线实验效果表现都比较接近，没有明显的差异性。第三个阶段是Decoder阶段，它类似于大意的小蝴蝶的角色，包含了上述序列的所有输入，Decoder输出信息可以看作是一个用户浏览完所有航班，然后对航班进行选择决策的过程。Attention阶段，本质上是计算Decoder和Encoder向量之间的相似度，等同于用户选择更合适的一个航班，α是Attention的权重，即航班序列打分结果。Online实验来看，总体转化率有一定提升，但提升幅度不是特别大。

4. PFRN：Personalized Flight Ranking Network

DCM第一版模型的效果对我们有很大启发，基于这一版模型的探索，我们进一步优化提出了PFRN模型，这篇论文已公开发表在CIKM’20。模型本身是经典的双塔结构，左边是航班序列的表征，右边是用户行为序列表征，上层对两个序列做Attention，表示用户对航班序列的偏好或者是感兴趣程度。我们提出了LFE序列编码结构，编码结构是一个比较大的创新点。

① PFRN：Listwise Feature Encoding ( LFE )

② PFRN：如何缓解用户行为的稀疏性

模型要解决第二个问题是如何缓解用户行为的稀疏性，我们目前的工作相对来说还比较简单：基于用户人群划分（基于业务规则），人群被划分为六大类，每一个用户又会映射到其中一类，在做用户行为表征的时候，除了用户个体的行为，还会把群体的行为引进来。例如，如果用户是旅行/出差意图用户，用户群体购买行为可以融合到现有的当前用户的行为中去，这种融合通过实验发现对整体的排序效果带来很大提升。

04效果：模型优化迭代结果

第一类模型：基于规则的Cheapest，按低价排序；第二类模型：传统机器学习模型；第三类模型：近几年一些搜索排序相关论文工作比较。Online实验效果，整体转化率提升接近4%。

05总结：进一步优化方向

当前的工作来看，初步建立了交通搜索排序算法体系，取得了一定的业务效果。在用户表征上面，除了用户的长短期行为以外，也引入了用户群体行为做数据增强，缓解个体行为稀疏性。

未来可能有三个方面工作：

出行意图的深入理解，比如对群体用户行为的划分，用户分群这一块工作要进一步完善;用户行为稀疏性建模，这块工作对整体排序效果提升有很大的影响；整体排序策略上，自然召回商品量有限，通过增加更多推荐坑位，同时内容运营把丰富的交通相关内容引进来，新的产品样式形态，多源信息的混排对我们也是比较大的挑战。

今天的分享就到这里，谢谢大家。

分享嘉宾：

素数

阿里飞猪 | 导购算法团队

2016年加入飞猪技术部，深度参与飞猪全局搜索项目用户意图预测、query推荐、个性化排序等工作，目前专注于智能交通的导购算法体系建设。

分享嘉宾：素数 阿里飞猪

编辑整理：眼睛大的时光

出品平台：DataFunTalk