技術解讀 | 智慧開放搜尋CTR預估模型

語言: CN / TW / HK

如何評價搜尋排序效果?

搜尋是使用者觸達資訊最簡單直接的方式,是APP、網頁必備的功能。如何評價並提升搜尋效果一直是搜尋領域的常見問題。

一方面,可以基於 使用者體驗判斷搜尋效果 ,比如是否搜尋到目標內容、在多長時間後返回搜尋結果等。另一方面,也可以 通過體系化的搜尋統計指標來評價效果 。常見的搜尋統計指標包含CTR、CVR、搜尋引導GMV等。

以CTR(Click-Through-Rate)即點選率為例,表示點選數/曝光數,在搜尋、推薦、廣告領域應用廣泛,用以衡量搜尋、推薦等返回結果的點選情況。更高的點選率通常意味著更準確的搜尋效果,因此,搜尋領域從業者常常將CTR作為搜尋效果核心評價標準,也是企業長期重兵投入的持續優化目標。

近些年來,得益於深度學習(Deep Learning)帶來的巨大紅利,用於CTR預估的深度模型百花盛開。CTR預估模型是針對每個使用者的每個搜尋詞,預測搜尋文件潛在點選的模型。運用CTR預估模型,能夠優化搜尋結果的排序,提升搜尋效果和業務轉化。

開放搜尋中的CTR預估模型

智慧開放搜尋(OpenSearch)基於機器學習和個性化預估演算法技術,藉助在電商、內容社群、教育等多個領域的能力積累,為客戶提供的 一站式智慧搜尋開發平臺 ,並且不斷迭代優化,將最新業界和阿里創新技術不斷融合到該平臺框架中。

  1. 簡單易用: 開放搜尋最新公測釋出CTR預估模型,在上傳使用者曝光、點選等行為資料後,即可自動化訓練專屬CTR預估模型。模型訓練完成後,可以通過cava指令碼靈活除錯排序規則,最大化發揮模型效果,優化最終的搜尋結果排序。
  1. 開放搜尋的CTR預估模型 支援定製 ,快速適配一套Make For You的模型。
  1. 從行業顆粒度切入: 不同行業會適配一套基礎的行業模板,並支援定製,體系化行業級別特徵建設

適用場景

  1. 適用於電商商品搜尋,內容社群資訊搜尋、多媒體視訊搜尋等業務場景;
  2. 對點選率、轉化率(付費、點贊、收藏等)、或播放時長等指標、搜尋效果有更高要求的客戶,均可以使用CTR預估模型;
  3. 如果想實現 個性化的搜尋效果 ,但團隊中又沒有精通搜尋演算法的同學除錯排序表示式,也可以嘗試在開放搜尋中接入CTR預估模型。

使用方法

  1. 通過服務端資料採集,上傳點選、曝光等使用者行為資料
  2. 在開放搜尋控制檯建立CTR預估模型,並點選開啟訓練
  3. 建立業務排序cava外掛,引用訓練完成的CTR預估模型,並在排序中使用該cava外掛,檢視排序效果

更多使用詳情請參考產品文件: https:// help.aliyun.com/documen t_detail/347835.html

如需進一步技術指導,也可工單聯絡技術支援。

案例實踐

社群內容搜尋

某技術社群作為中文IT內容社群,通過開放搜尋,為旗下產品的使用者提供高質量的內容服務。同時搜尋能力的優化也能帶來付費資源轉化效果的提升,增加整體業務收入。

接入CTR預估模型後效果:

  • 對比基於開源自建的服務,CTR提升80%+
  • 後續演算法專家通過深度定製模型不斷幫客戶調優,每曝光使用者帶來點選次數提升15%+,Item-CTR提升10%+,效果還在持續提升中

電商搜尋

國內某電商平臺,主打保健品、家居用品、化妝品等自營產品,通過開放搜尋,在APP和小程式上提供內容資訊和商品購買等便捷服務。

接入CTR預估模型後效果:

  • 電商業務搜尋CTR相對提升40%+,qv-GMV 相對提升50%+
  • 內容業務首頁CTR絕對值10%+,無結果率相對下降20%+

原文連結

本文為阿里雲原創內容,未經允許不得轉載。