阿里妈妈资深技术专家刘凯鹏解读基于深度学习的智能搜索营销.pdfVIP

阿里妈妈资深技术专家刘凯鹏解读基于深度学习的智能搜 索营销 本文结合阿里电商业务场景的特点，介绍了阿里在匹配 端和排序端的基于深度学习的一些工作。搜索营销 （sponsored search ）是目前广告主在互联网上进行数字化 营销的主要手段之一，也是机器学习技术在工业界最成功的 应用场景之一。在搜索营销的场景下，广告主可以通过出价 的方式参与流量分配，平台的主要任务是优化流量分配和计 价，实现效率的最大化和生态的健康发展。其中核心的技术 问题主要围绕如何高效的分配流量来展开，包括：如何理解 用户的意图？如何对用户进行表达？如何对广告进行表达？ 如何挖掘用户和广告的关系？如何对用户的行为进行预估？ 如何对流量进行定价等等。近年来机器学习技术在搜索，推 荐，营销等领域得到了广泛的应用。阿里妈妈搜索营销团队 也一直致力于探索前沿技术和具体业务场景的深度融合，推 动业务的发展。围绕以上的技术问题给出结合自身业务特点 的解法。具体说来，流量分配的过程通常分为流量匹配阶段 和排序阶段：流量匹配阶段的主要任务是理解用户意图，在 超大规模的全量集合中找到合适的候选集进行粗排，降低后 续排序阶段的计算量；排序阶段解决的主要问题则是对用户 的深度理解，对用户行为进行精准的预估。下面我们将从这 两个阶段的实际问题出发，介绍我们的一些工作。 1 智能匹 配 1.1 基于用户行为异构图的个性化检索框架在搜索营销 中，匹配端负责理解用户的搜索意图，需要快速准确地从海 量广告中检索出一个小规模的高质量广告候选集，设计过程 中需要兼顾系统的效果与效率。匹配系统又可以被看作为一 个检索系统。 在个性化时代， 随着越来越多的个性化信息 （用 户在平台上的查询、浏览、点击、收藏、加购等行为）被引 入系统，传统的基于搜索词和广告相关性的检索方法无法识 别用户个性化的搜索意图。此外，基于相关性的优化目标和 平台的目标（ RPM 、CTR 、GMV 等）并不完全一致。为了 解决这些问题，我们突破了以「关键词」和「相关性」为核 心的传统检索框架，提出了一种面向最终目标，基于用户行 为异构图的个性化检索框架。图 1. 基于用户行为异构图的 个性化意图匹配。异构图中包含了三种节点：用户个性化的 搜索意图信号、丰富的广告检索键和广告。在这个新的智能 检索系统中，我们首先使用用户在平台上的历史行为构建出 一张用户行为异构图。异构图中节点分别表示「用户搜索信 号」、「广告检索键」和「广告」 ，边分别表示「用户搜索意 图信号改写」关系和「广告召回」关系。接着，检索系统面 向平台 RPM 、CTR 等指标，学习异构图中边的权重，挖掘 出重要的改写关系和广告召回关系。这样，通过对异构图的 深入挖掘，检索系统直接面向平台目标，同时进行了「用户 搜索意图信号改写」和「广告召回」两个检索子任务的统一 联合学习。最后，检索系统根据模型的边挖掘结果，智能地 自动构建相应的「改写索引」和「广告召回索引」 。通过两 个模型智能构建的索引，检索系统将用户行为异构图和模型 挖掘结果存储下来，实现了对线上搜索请求的高效检索。由 于新的智能检索模型不再强制要求广告商购买关键词，我们 在新的检索系统使用 OCPC 策略，在保证广告商 ROI 的 基础上， 决定广告的点击收费。 关于此工作的论文 《Beyond Keywords and Relevance: A Personalized Ad Retrieval Framework in E-Commerce Sponsored Search 》已被 WWW2018 接收。 1.2 基于大规模异构网络 Embedding 的向量化检索模型图