导读：本次分享内容为爱奇艺在做视频搜索时 ，遇到的傑爱真实案例和具体问题；以及面对这些问题的时候，我们的奇艺解决方案。这次分享的搜索ppt针对一线的开发人员
，希望可以给一线的排序开发人员提供一些启示。

01

介绍

首先介绍一下我们支持的模型搜索入口，在我们app的迭代搜索框里 ，支持下图所示的陈英搜索方式 ：图搜索 、台词搜索 、傑爱语音搜索 。奇艺

今天分享的
，其实还是排序一个更加通用的搜索方式，即文本查询 。模型通过把用户输入的迭代文本做自然语言处理后进行的关键字查询
，在此 ，陈英我们做了很多自然语言处理和语义的理解。

在视频内容层面，最重要的是视频本身的描述信息，如标题，演职人员等信息 。还有一个是内容的语义，我们当前并不是多模态特征去抽取 ，更多的是通过用户对该视频的观看行为，如搜索
 、浏览 、评论、弹幕等各种行为，由此产生的数学结构去抽取语义信息。所以我们今天更关注在doc层和query层是如何做这些匹配的 。

在介绍具体的匹配过程之前 ，我们先了解一下一个通用的搜索系统的约束条件（下图所示）
：

• 精准匹配，用户搜什么词 ，展现什么内容，而且需要top结果排序；
• 内容生态，爱奇艺的视频搜索不仅仅是站内搜索引擎 ，而是全网的视频搜索引擎，所以我们会囊括所有中文的视频资源，包括我们没有版权的视频 ，我们希望打造的是，帮助用户链接到想要的资源，同时我们还支持文学、漫画资源的搜索；
• 智能分发，搜索结果有不同的版权方 ，我们需要对原创结果进行激励
  ，防止略币驱逐良币 ，载流量上给优质资源进行扶持；
• 冷启动问题，新视频相比于老视频在特征上相对弱势 ，我们需要给予冷启动空间，在此做一些探索和利用；
• 搜索多样性，防止靠前结果都是一样的 。

此外，我们发现 ，当用户在搜索产生的结果使得自身的的主需求得到满足的时候 ，可以激发用户一些其他的语义相关的结果。

在这样五个约束条件下 ，我们如何搭建全网的搜索引擎呢？下图即是我们的整体系统框架
。

我们有大量视频资源 ，通过召回系统，即基于文本匹配的matching system，得到候选集 ，经过粗排和精排 ，最后返回给用户
，这是大体的流程图，其中最重要的是召回系统和排序系统。

两个系统的重要模块很多 ，下图列举其中一些 ：包括改写纠错
，基础召回 ，知识图谱召回 ，语义匹配召回；排序模块关注特征工程
，学习模型的选择，模型融合与智能决策。

在此我们将要展开的是我们是如何进行一步步迭代的。

• 第一， 召回策略的迭代，我们从基础相关性慢慢走到语义相关性的路径；
• 第二
  ， 排序模型的尝试
  。

--

02

召回策略迭代

1. 基础相关性

首先是基础相关性 ，搜索引擎处理流程图如下
：

通过对用户的query进行切词 ，将右边的视频资源的文本描述信息构建构建倒排索引，此过程为精确匹配过程
，词匹配则倒排索引拉回归并 ，然后返回用户，此过程较为经典，在传统的搜索引擎也是比较成熟的应用方式。

这样一个流程里面，它解决的问题也比较通用 ：

• 切词粒度，不同的词的粒度会影响你是否可以通过倒排索引召回内容；
• 词权重 ，一个query中，哪些词是重要的，哪些是不重要的，会影响你在相关性计算的时候的最终得分。

这其实是基础相关性中需要解决的问题
，也是我们在1.0版本中，花了很多力气去解决的问题。需要注意的是  ，上面的问题并没有最优解 ，这是一个根据bad case不断做优化的过程
。

这里举个例子，如下图：

基础相关性解决不了的问题，我们归为四类：词汇的同义多以问题、语言表达差异、输入错误兼容 、泛语义召回 。

2. 语义相关性

在解决基础相关性遇到问题的时候 ，我们再来思考一下，在文本匹配上是怎么解决语义的问题  ，如下图所示：

左边是XX老师整理的五个层面：词、词组、词义、主题、结构。在搜索场景下 ：我们有天然的用户搜索之后的点击行为，基于点击行为，我们可以在不同层面做语义匹配，紫色框是我们要解决的问题所用到的技术  。

下图是机器翻译模型：

机器翻译是一个目前比较火热的领域，并且在深度学习出现之后，其准确率得到了飞跃性的提高 。这是我们解决语义相关性的第一个手段。

• 翻译模型

由于用户在搜词的时候，并不会去把相关词汇都搜索一遍  ，这就需要由搜索引擎去拓展用户的查询词汇
。通过翻译系统，可以将查询词转化成与语义需求相同的其他词汇，用这些扩展后的新词与视频做相关性计算，取top结果返回给用户 ，以此来实现拓展词召回。

具体策略为：

第一步 ：根据用户的query以及点击的document生成doc-query点击对 ，以此来构建翻译的平行语料对；

第二步 ：做词对齐和短语对齐，此时
，我们并没有用到很多深度学习的技术 ，因为在搜索场景下，并不需要翻译结果的准确性 ，更为重要的是拓展出来的词汇是不是有意义的，是不是让这个系统往正向发展的；

第三步 ：query中的词汇与拓展的词汇行程映射对，在映射对里会存在噪音，针对噪音，传统的基于统计的短语和基于词的翻译模型会存在一些问题 ，我们再从新标注一部分翻译的 ground truth 。

在这个基础上
，我们根据翻译模型给出的翻译概率
，并通过语言模型判断翻译结果是否通顺，再结合相关性的特征来甄别翻译对是否有效 。

基于这样翻译过程拓展出来的词汇，能够明显拓宽我们召回的范围 ，这是第一个解决语义相关性的手段
。

• 点击相关性

第二个解决语义相关性的手段是点击相关性。

做一个假设 ，当用户有一个搜索需求时  ，假设其用到的搜索词和编辑取的标题不在同一个语义空间，那么该场景造成的mismatch现象会非常严重。那么此时 ，我们就需要把二者映射到同一语义空间 ，以提升命中概率 。

具体做法：利用搜索点击日志，来构建一个搜索点击二部图。如下图中可以看到：doc4与query2和query4和query6有较强的相关性，虽然此时我们并不知道doc4是什么内容 ，但是我们已然不难看出
，三个query词之间具有较强的相关性，并且这个结论的置信度也是很高的。

这对于查询结果来说是一个不错的拓展方式；在这样的二部图中
，我们可以进行多次的迭代 ，并以次来拓展query的表达  。

在构建二部图的时候有许多高挑战性的事情 ：

1) 图的构建，点击存在噪音，图的内容足够高的置信度；边的权重设计，因为展示数量分布不均，点击数量分布不均，会影响向量传播权；

2) 迭代次数越多，向量传播路径越来越长 
，泛化能力越强 ，但是准确率会下降 ，需要选择最佳迭代次数；

3) 点击关系链接未出现的话
，在二部图中是无法出现的，该策略需要用n-gram来拆解拟合 ，最后用动态规划去选择最优的表达向量。

如下图所示
，右侧为一个例子 。

• 深度学习

第三个解决予以相关性的手段是深度学习，该方式在nlp中应用非常广泛 。在搜索场景下  ，用一些nlp工具 ，能够把词表示成低维的向量，该向量可以表示词与词之间的相关性，在网络里面加入rnn ，cnn等机制，把网络做的足够复杂
，以提取更加有效的匹配的特征。同时，我们在文本匹配或者搜索语义匹配的时候
，其实要做的就是计算多个文本词序列之间的相关性 ，我们把词向量和网络结合在一起就可以解决该问题。

在传统的语义文本相关性中有两种计算框架：

1) 基于表达 ：将文本串通过模型来表示成向量，并用向量相似度来计算文本相似性（如dssm）；

2) 基于交互：在最底层将query和document中的每个词都计算相关性，以此得到相关性矩阵。

如下图所示：

我们当前的策略是基于表达  ，如下图所示框架
：首先，抽取query下的正负样例；之后
，做多粒度切词，用embedding做加权平均
，得到文本串的向量表示；再经过两个全连接层生成正样例相关性和负样例相关性；在此基础上，构造损失函数使得正样例大于负样例相关性 ，用反向传播来优化网络参数。

在视频短文本场景下：表达型方式比交互型方式效果好；网络结构和权重对结果影响很大，idf权重很高；最难点在于ground true构建，严重影响语义模型的效果。

下图是精确匹配2.0的版本，在这个版本我们基于翻译模型把query进行查询词拓展，同时click-simi的方式去拓展点击相关性的查询词，然后去搜索原倒排索引和语义倒排索引 ，最后基于相关性模型去计算query和视频内容是否相关 。

以上是在解决基础相关性的bad case的时候，应用的语义相关性的技术
，这些技术是学术界提出的
，在工业界通过a/b test，不断地尝试后得出的比较成功的案例 。

--

03

排序策略迭代

接下来，我们要介绍的是
，在召回了许多跟用户相关的视频之后，面临的排序问题。其实排序问题也有一个逐渐演进的路径
：策略排序
，学习排序  ，深度学习模型 
。

搜索排序面临问题如下：

用户query的时效性（新闻资讯&老电影，游戏&电视剧）；

query场景（新鲜度 、语义召回、视频来源
、历史点击表现等）
。

综合考虑之后，做了一个最初的基于策略的版本，确定了用户的关注要点：

1) 相关性；

2) 质量度 ，质量更好的结果排在前面如时效性；

3) 时效性，视频从上传开始 ，其相关性随着时间不断衰减；

4) 点击行为 。

四种因素组合加上产品策略以及规则返回给系统，该版本可以解决大多数常见问题 。

后面当我们的特征越来越多的时候 ，以上四个因素已经开始很难全面地涵盖各种排序因子了。所以，我们需要了解：策略系统无法得到最优解
，因为需要不断根据经验去尝试参数

所以后面迁移到了学习系统，基于用户在历史的排序结果的点击行为收集起来构造label
，根据用户在搜索时候给出的query以及展现给用户的video以及上下文信息构造特征向量，与label进行join ，得到ground turth，之后进入学习系统进行学习
，训练处一个排序模型 ，就可以对数据进行预测排序 。

下图是排序系统的整体流程 ：

对于一个排序系统，挑战来自于四点  ：

1) 优化目标：

• point wise，相关不相关；
• pair wise，A优于B；
• list wise
  ，使得排序效果最优化。
• 由于不同的损失函数反应的目标要求的严格程度，会影响最终的模型从样本中学习的程度。

2) 样本 ：如何构建正负样本，正负样本比例以及权重对模型会产生要大影响；

3) 特征
：先颜特征，后验特征
 ，高维稀疏特征；

4) 模型：学习能力 ，泛化能力。

在我们的场景中，

1) 对于目标：

我们最开始选择的是list wise方法。我们采用的优化指标是ndcg ，这在搜索引擎中是应用的非常广泛的评价指标。它包含两个参数：

• r(i)代表第i个结果的相关性
  ，
• i代表i个结果的排序位置
  。
• 直观理解：i越小，r(i)越大，ndcg越大，越靠前的结果约相关，这个指标就越高。
• 这个和搜索引擎的优化目标非常贴近，因此选择这样的list wise学习的优化目标 。

2) 对于样本：

用户的点击行为，点击并不代表喜欢，点击后的行为也需要考虑进来，如 ：点击后观看了多长时间，观看时间占整个视频时间多少，观看市场分布如何，最后会将其映射称观看满意度，量化为三个等级：excllent, good, normal

负样例 ：skip-above看到的没有点为负样例 ，相关性负采样，排序靠后的位置做随机负采样 ，从而构建学习样本 。

3) 对于特征：

与业务结合非常紧密 ，如何把排序场景描述的非常准确
，把固定问题泛化，在向量的维度表达出来 ，即特征提取。Query维度：意图类别（喜欢那个类型的数据），时效性偏好；document维度 ：质量特征（码流、码率、用户评论
、视频帧、视频标签、类别
、来源等）；相关性特征
：命中特征，bm25等；后验特征 ：包括用户真实点击率，观看时长，满意程度、点击位置（马太效应影响）、各种维度交叉特征 。如下图所示 ：

以上是我们在刚迁入机器学习时所采用的特征。

后面我们发现，id特征也是有重要意义的，在特征工程中应该予以考虑  ，由于我们在提取相关性特征时
，是把相关性综合到一个特征中的，该方式丢掉了一些原始信息，那么 ，如何把这些信息放进去
？

另外 ，query的点击列表，或者说用户的观看列表其实是可以反映出视频的关联信息的 ，这种信息其实有利于我们做排序优化 ，我们如何利用这些信息 ？

所以，第二个版本我们的特征工程中，增加了稀疏的id类特征。

在没有加入稀疏类特征之前，我们的模型是lambda-mart模型，在IR领域是最先进的模型 ，该模型是一个gbdt模型，基于boosting思想，不断增加决策树 ，来减小残差 。该模型在很多竞赛中表现良好 ，因为不用过多的特征处理 ，树模型会考虑特征本身的数据分布
，同时有很好的学习泛化能力，树结构很难兼容高维稀疏特征，比方说我们的document是上亿级的特征，很难每个节点走一次树的分割，所以对于加入稀疏特征的时候
，树模型会遇到瓶颈。但是在出来高维稀疏特征的时候，像LR、FM
、FFM可以认为是线性模型，特征的增加并不会对此类模型造成压力，上亿维也没关系。LR模型弱点在于特征组合能力不足，很多情况下特征组合方式比较重要，树模型从根节点到叶子节点的路径其实是一种组合方式 。如下如所示：

所以针对两类模型的优缺点，我们做了进一步的模型融合的尝试：

• 第一种方式
  ，用LR模型把高维稀疏特征进行学习 ，学习出高维特征 ，把该特征和原始特征做拼接 ，学习gbdt模型。

该方法效果不好，提升很弱
。

分析原因：把高维特征刚在一个特征去表达，丢掉了原始的特征 。

• 第二种方式，用gbdt去学，学习后把样本落入叶子节点信息来进来与高维稀疏特征拼接，在此基础上用LR学习
  。

该模型效果变差。

分析原因
：点击类和交叉类特征是对排序影响最大的特征，这类特征和大量的稀疏类特征做拼接的时候，导致重要性被稀释了，导致模型的学习能力变弱。

两次尝试的模型框架如下图所示
：

经过这两种不成功的试验之后，我们引入了基于dnn的排序模型，此模型也需要解决
：稀疏特征和稠密特征如何去综合的问题。

如图是我们的dnn排序框架：

底层是query和document的一些描述文本做多粒度切词 ，之后做embedding然后做加权平均 ，得到document和query的向量表达，拼接这两组向量
，同时再做点积 
，（两个向量越来越相近 ，拼接的时候希望上层网络学到两个向量的相似性，需要有足够的样本和正负样例，所以我们自己做了点积），同时用稠密特征，即在gbdt中用到的特征抽取出来，与embedding特征做拼接 ，最后经过三个全连接层，接sigmoid函数，就可以得到样本的score，并在此基础上用ndcg的衡量标准去计算损失，从而反向优化网络结构。

而在online服务侧，则直接用样本去predict得分。这个模型上线之后，效果非常明显。其中 ，二次搜索率降低（二次搜索率越低越好，说明用户一次搜中）。

--

04

总结

最后做一个总结，我们在做搜索引擎算法迭代的基础上，一直沿着两条路
：相关性迭代，怎么去计算更准确，召回更多结果 ，包括基础相关性 ，语义匹配以及知识图谱优化相关性计算；同时在排序模型，丛集与策略的模型演化到机器学习的模型，后面解决稀疏特征和稠密特征融合的深度学习的排序模型 
。最后还有做冷启动的时候用到的强化学习的模型，不过时间有限，在此不做详细介绍了 。

今天的分享就到这里，谢谢大家
。

阅读更多技术干货文章、下载讲师PPT，请关注微信公众号“DataFunTalk”。

分享嘉宾：陈英傑 爱奇艺 研究员

编辑整理：孙锴

内容来源：AI先行者大会《爱奇艺搜索排序模型迭代之路》

出品社区：DataFun

分享嘉宾 ：

陈英傑 ，爱奇艺研究员。研究方向：信息检索 、机器学习。2012年加入爱奇艺，一直从事搜索排序、搜索用户引导、文本挖掘等工作，参与完成爱奇艺自主研发的搜索引擎 ，带领rank团队完成从启发式排序策略到学习排序模型的迭代 。依托爱奇艺海量的视频资源库和每天数亿级的用户搜索、观看行为
，积极引入 、尝试最新的研究成果 ，迭代搜索排序模型，使得搜索质量和转化率都有显著提高 。

关于我们 
：

DataFun：专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海 
、深圳、杭州等城市举办超过100+线下和100+线上沙龙 、论坛及峰会 ，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章700+
，百万+阅读，14万+精准粉丝。

欢迎转载分享评论 ，转载请私信 。