京东搜索EE链路演进 | 京东云技术团队

导读

搜索系统中容易存在头部效应，中长尾的优质商品较难获得充分的展示机会，如何破除系统的马太效应，提升展示结果的丰富性与多样性，助力中长尾商品成长是电商平台搜索系统的一个重要课题。其中，搜索EE系统在保持排序结果基本稳定的基础上，通过将优质中长尾商品穿插至排序结果中将优质商品动态展示给用户，提升用户体验与搜索结果丰富性，是破除马太效应的一大助力。

本文将从搜索EE近期的全量迭代出发，展现其链路演进的整体脉络，包含：EE自适应动态探测模型——EE场景建模方式升级——打分与穿插两阶段一致性升级——探测与自然流量全局联动优化四个阶段，梳理对搜索EE的思考与下一步迭代方向。

全文目录：

1. EE自适应动态探测模型

2. EE场景建模方式升级

3. 打分与穿插两阶段一致性升级

4. 感知上下文的品牌店铺维度探测

5. 总结与展望

一、EE自适应动态探测模型

传统EE模型从商品曝光置信度、打分置信度等角度出发，决策EE商品的展示位置以及穿插位置，较少从用户浏览意图与探索意愿的差异化角度，来考量探测力度。其可能导致用户在宽泛浏览与挑选商品时，缺少丰富的商品选择，在决策购买时反而穿插了探索商品的误判情景，影响用户的搜索体验，不能充分发挥搜索EE系统的探索和利用(Explore & Exploit)两大能力。

针对以上探测错配情况，可尝试在EE模型中显式建模用户的“逛”、“买”探索偏好，进一步结合偏好，自适应调整搜索EE的利用与探索力度。对于偏“逛”用户增强EE探索力度，提供更丰富的探索展示；对于购买意愿明显的用户，提供更直接的购买选择。通过对用户探索偏好的显式建模，能够在提升用户的转化效率的同时提升搜索结果丰富性。

1.自适应探索模型优化

相较于原有EE模型，自适应探索对EE模型的自适应探索能力进行了升级，主要体现在如下三点：（1）对用户探索偏好进行差异化建模：“逛” "买"用户提供动态差异化探测力度，在转化效率和搜索丰富性中取得平衡。（2）以用户浏览深度为子任务建模到EE模型中：以浏览深度作为用户意愿的重要指标，并建模到EE模型中，显式增强模型对用户浏览意愿的感知。（3）提升模型对探索性特征利用性：对探索偏好的显式建模，提升探索性特征在模型中的学习权重，在EE过程中对探索特征进行充分利用。

2.方案实践

为了增强EE模型的自适应探索能力，针对原有EE模型进行如下升级：

（1）探索偏好网络Explore-Net

在保持原有的EE模型主网络Exploit-Net基础上，添加了探索偏好网络Explore-Net(图中左下绿色部分)，提升模型对用户探索意图的差异化建模。

①输入特征优化

考虑到用户的探索意图只与个人特性、搜索词相关，因此Explore-Net的输入特征仅使用用户侧、Query侧中相关特征。

为进一步度量特征与探索偏好的关联性，统计不同浏览深度下各特征的分布差异，剔除了未与浏览深度明显相关特征，如搜索词长度等，精简特征空间提升预估精度。

②模型显性建模

EE原模型的输入中包含探索性特征，但在进行搜索排序任务中易被其他特征掩盖导致利用率不强，在探索偏好建模中显式构建了探索偏好网络Explore-Net，对用户探索意图进行独立建模构建，增强探索性特征的重要性。

优化后的EE模型具有Exploit-Net与Explore-Net双塔结构，Exploit-Net对商品进行精准化打分，对候选商品进行充分利用；Explore-Net对用户探索意愿进行建模，根据用户偏好动态调整探索力度，共同构成商品探索与利用的完整机制。

（2）用户浏览深度回归任务构建

在原有的训练过程基础上，添加了用户浏览深度回归任务(图中左上红色部分)，提升模型对用户浏览意愿的感知性，增强EE模型的自适应探索能力。

①辅助任务选择

浏览深度作为用户浏览意愿的直观体现，表现了用户的探索意愿，因此使用浏览深度预估任务作为模型训练的辅助任务,对用户偏好进行显式建模。

在辅助任务类型的考量上，综合考虑了将浏览深度划分不同区间进行预测的分类任务,以及对浏览深度的回归任务。在实验中分类任务体现出较为明显的头尾倾向性，输出值分布不均匀，实践中最终选用了回归任务作为辅助任务。

②回归任务设计

在样本数据分析中，发现用户的浏览深度差异化极大。为了平衡浏览深度的差异，保障模型输出值的均匀性与差异性，对浏览深度标签进行了log平滑放缩，并选用RMSE-loss作为辅助任务的损失函数对浏览深度任