搜尋算法小知識：搜尋與推薦。
1.與相關性、内容品質、時效性、地域性并列，個性化也是使用者滿意的一個次元。并非所有的搜尋引擎都有個性化，隻有當平台有使用者畫像和豐富的行為記錄時，才能做到個性化的搜尋。
2.不論搜尋引擎是否有個性化，都需要點選率模型，它根據文本、非文本的特征預估點選率、互動率等分數，與相關性等分數融合，作為排序的依據。如果搜尋引擎有個性化，那麼個性化反映在預估的點選率和互動率上，通過這些預估值讓排序帶有個性化。
3.精排使用多目标神經網絡預估點選率和互動率，這種模型叫作前期融合，計算代價大，預估較為準确。召回海選和粗排通常使用雙塔模型預估點選率和互動率，這種模型叫作後期融合，計算代價小，預估不準确。
4.前期融合、後期融合模型都可以使用使用者行為序列，對 AUC 有非常大的提升。簡單的使用者行為序列模組化方法是取平均，更先進的方法如SIM。
5.搜尋引擎和推薦系統的點選率模型幾乎相同，改進推薦系統點選率模型的方法大多适用于搜尋引擎。但是搜尋與推薦的性質不同，點選率、互動率在搜尋排序中起到的作用小于相關性，而在推薦排序中起到決定性的作用。
6.增加模型規模、增加使用者序列長度、用線上學習實時更新模型，這些方法可以讓點選率模型的預估更準确，但是需要大幅增加成本。用在推薦系統上，這些方法是劃算的，能帶來較大的業務名額提升；用在搜尋引擎上，這些方法未必劃算，畢竟點選率和互動率隻是搜尋排序諸多信号中的一種而已，并不是起決定性作用的信号。
#微頭條圖文星計劃#
#paperClub#
