机器不学习:阿里深度学习在搜索推荐领域的应用

首先讲解的是搜索场景，给的实际案例技术手机淘宝的搜索页面，如下所示：

就是在搜索框中输入搜索商品词，然后系统综合用户的属性，商品属性和搜索词的属性进行综合的判断，并给出最终的推荐结果。在实际的操作中，由于淘宝中涉及的商品是亿万量级的，因此这个过程使分阶段进行的：

1 根据搜索词和商品名称进行匹配，把相关的商品海选出来（亿万 -> 百万）

2 根据商品属性本身的信息，对步骤1生成的商品进行粗排（百万 -> 万）

3 综合考虑商品属性，搜索词，用户属性，对步骤2生成的商品进行精排，取出top k 推荐给用户（万 -> k）

其在精排使用的基础模型如下：

可以看出整个模型还是比较简单的，由于使用了深度学习方法，因此输入特征直接都是ID特征，并不需要统计特征，模型可以自动的进行学习，SFC层就可以看成是Embedding层。接下来，又介绍了一种进阶的方法，利用了multi-task的思想，说白了就是把步骤2的粗排和步骤3的精排融合在了一起进行训练，模型如下所示：

图中下面的三个区域参数是共享部分，上面左边的是精排部分，右边就是粗排部分，可以看到粗排部分只使用了item的信息。

上面的都是一般的场景，但是遇到特殊日期，比方说：“双十一”，那么这个适应一般场景的模型就不太适用了，针对这个特殊的场景，提出了如下模式：

从本质上就是“人工设计特征+深度学习特征”的一个融合模型，所谓多模态就是“常态+促销态“”。左边的常态挖掘就是上面介绍的模型，挖掘的是在一般情况下用户特征，商品特征和搜索词特征的本质交互属性；右边部分输入的特征就是人工设计的统计类、ID类特征，这还有一些是专门针对“双十一”场景下设计出的实时特征（这部分特征和平常是完全不一样的，因为这一天有很多店铺会大幅度的打折）。最后模型在学习的时候利用了在线学习的思想，只对最后的一层或者几层的参数进行训练。

接下来介绍的是推荐的场景，搜索和推荐是两个相似都是又不相同的领域，两个在精排阶段使用的模型都是差不多的，但是两者在海选阶段的目标是不一样的：搜索是海选出和搜索词相关的商品；推荐是海选出和用户之前历史行为中有相关性的商品。作者介绍的场景就是，手机淘宝详情页下的推荐，如下所示：

由于要求是只能推荐同一店铺下的其他宝贝，但是所有商品两两之间有关联的数据是比价稀疏的，这样直接训练会大大影响性能，这里采用了迁移学习的思想来解决这个问题，模型如下所示：

这里用的迁移策略是基于特征层面的迁移学习，左边是利用全量的电商特征（即利用阿里集团所有场景下的数据，包括搜索，推荐，广告），在输入层部分筛选出所有场景下的共同特征喂给模型训练（去掉搜索场景下的搜索词，推荐场景下的用户当前停留商品词），根据用户最后的购买或者点击等行为进行建模，学习到用户和商品的向量化表示形式。接着把在所有场景下学习到的特征。作为输入用到推荐场景下，同时加入该场景下对应的日志特征，直接给GBDT或者DL进行训练。

最后介绍的是优酷短视频搜索场景下的推荐，场景应用如下：

用户输入搜索词，推荐出对应的短视频，整个模型结构如下所示：

整个模型和上面讲的电商搜索推荐模型整体上是非常相似的，需要注意的一点是，由于短视频搜索的用户是比较稀疏的，这里在表征一个用户的时候，使用叠加该用户看过的视频list Embedding进行。这里的叠加是平均的方式，由于用户历史看过的video具有多样性，因此这里的平均方式还有提升空间，即使用attention机制，更改后模型如下所示：

这个使用用户看过的video list进行用户表征的方法，是非常值得借鉴的，特别是在用户量比较稀疏的情况下，非常的work

原文：https://blog.csdn.net/guoyuhaoaaa/article/details/80882449