语义相关app搜索(三)——qjzcy的博客

之前做的一款基于语义的app搜索，当时公司希望做一款不仅仅能根据一般文本重合，而且能通过语义上的相关找到更好的推荐app，这里分享一下开发的过程和心得

——————————————————————————————————————————————————————————————————————————

目录：

一、基础特征的选择

二、特征的组合和特征的离散化

三、训练样本的获取

四、排序样本的调整

（三）如何rank

有了候选集后，如何把最优的app放在最前面？那么这时候leaning to rank 就派上用场了。

一、 基础特征的选择

基础特征大致可以分为三大类：

1）文本字面的重合：app文本描述有两处：标题和描述，利用三种分词方式：原子分词，正常分词，ngram组合切分

2）文本语义上的重合：app类别，LDA类别，W2V类别

3）搜索扩展：利用搜索对app标题进行扩展，扩展文本再重复1,2步骤

基础特征如图所示



2、 特征的组合和特征的离散化

这个单开一章吧，感觉还是蛮多东西可以讲的

3、 训练样本的获取

leaning to rank 是个有监督的学习过程，那么训练集如何获取是个很重要的过程。当然可以用人工标注出一批，在没有人工的情况下，怎么办呢。

首先公司原来的app推荐上有一批的点击日志，利用这些日志做出一个点击排名list。

问题来了利用原来非智能推荐的结果来监督学习智能推荐的模型，有效果么？我觉得这个问题是这样的，有两种可能，一种是陷入局部最优，无法达到我们想要的效果，另一种随着用户的使用模型的不断迭代，会不断的优化。

实践中我认为应该是后一种结果。另外我觉得还有许多意外的收获，比如一款游戏中的专业词“之刃”，人工未必知道是哪款游戏app，或者刚刚出现的新app“EXO”不是00后可能根本不知道是什么，又或者交友软件中陌陌和脉脉哪款更应该排在前面，利用点击统计则可以排除这些问题。

4、 排序样本的调整

UBM模型（A User Browsing Model to Predict Search Engine Click Data from Past Observations）

对于搜索的list来说排在后面的往往点击率更低，这个称为眼球模型，就是说人的眼睛一般是从上往下看，越靠上曝光的机会越多，所以点击率越大。

为了改进这个问题，生成更好的训练数据我们可以找list中排位靠后点击反而在前的数据组成pairwise作为训练样本。

升级的版本就为UBM，UBM在排序的模型中加入了用户点击的考虑，思想是用户点击了某一行，那么他一定看到这一行，于是紧接的行曝光率也增加，如下图所示。我们可以根据整体算出一个用户点击率和位置变化梯度表。当前后两个的点击比率和表中存在差异，我们把他们抽出来作为训练样本



点击排序list如图