搜索引擎算法之Query Similarity （query relevance、查询的相似性或相关性）

目录

介绍：

      一、计算相似性的方法很多，最简单是是根据字面的编辑距离来计算相似性。例如:

      二、更近一步，很自然想到搜索点击的结果来计算两个Query的相似性。

      三、当然我们也可以借助协同过滤的方法，把query和点击item作为一个评分矩阵，按照协同过滤的方法来计算相关性。

      四、由于点击数据受到搜索结果的影响，由于排序质量的问题，点击的位置bias，有很多办法来纠正；以及部分Query的点击比较稀疏，商品的点击比较稀疏。

     五、第二种方法是用商品向量来表示Query，也有一些方法借鉴了simrank和向量的思想，用词向量来表示Query和Title。

      六、如今深度学习大行其道，Query相关性也可以用深度语义网络DSSM （cikm 2013）  https://www.cnblogs.com/baiting/p/7195998.html  。

     七、我们在推荐算法中看到，一个用户在一个session中点击的商品序列可以用来做embedding ，得到商品id到embedding vector。

      八、目前图计算有很多方法。

---

目录

介绍：

        一、计算相似性的方法很多，最简单是是根据字面的编辑距离来计算相似性。例如:

         二、更近一步，很自然想到搜索点击的结果来计算两个Query的相似性。

        三、当然我们也可以借助协同过滤的方法，把query和点击item作为一个评分矩阵，按照协同过滤的方法来计算相关性。

        四、由于点击数据受到搜索结果的影响，由于排序质量的问题，点击的位置bias，有很多办法来纠正；以及部分Query的点击比较稀疏，商品的点击比较稀疏。

        五、第二种方法是用商品向量来表示Query，也有一些方法借鉴了simrank和向量的思想，用词向量来表示Query和Title。

        六、如今深度学习大行其道，Query相关性也可以用深度语义网络DSSM （cikm 2013）  https://www.cnblogs.com/baiting/p/7195998.html  。

      7、我们在推荐算法中看到，一个用户在一个session中点击的商品序列可以用来做embedding ，得到商品id到embedding vector。

    8、目前图计算有很多方法。

---

   

介绍：

       关键词是用户使用搜索引擎的常见输入条件，但是用户在搜索的时候不仅仅是用关键词。当你在淘宝上面搜索的时候，可能通过男装、女装类目去搜索。话说当年yahoo 起家的时候就是通过类目导航，但是yahoo小看了关键词搜索，错过了成为第一大搜索引擎的机会。接着说用户在淘宝用关键词搜索之后，还可以点击各种属性、价格区间来搜索。一个完整的Query包括几个部分：关键词、类目、属性（可以有多个）、价格区间、地域限制等。如果要推荐相关Query，我们应该对整个Query去找相关Query。

---

      一、计算相似性的方法很多，最简单是是根据字面的编辑距离来计算相似性。例如:

           sim(QA,QB) = 编辑距离(QA->QB) / length(AB) ，显然这种计算相似性的方法误差很大。所以我们可以考虑同义词、单复数、词形还原考虑一部分同义词。但是对于精确的计算两个Query的相似性就无能为力了。

      二、更近一步，很自然想到搜索点击的结果来计算两个Query的相似性。

              例如QA有一个点击的商品集合，QB有两个点击的商品集合，用点击数量或者点击率作为商品的权重来设计一个向量，这样两个Query就可以通过cosin(vector(QA),vector(QB)) 来计算相关性。还有比较简单的方法是计算两个Query(x和y)在session 中的互信息，PMI(x,y)=p(x,y)/(p(x)*p(y))

      三、当然我们也可以借助协同过滤的方法，把query和点击item作为一个评分矩阵，按照协同过滤的方法来计算相关性。

           由于协同过滤没有考虑点击的次数信息，因此推荐词的点击次数和原始词的搜索次数、长度可能不够匹配，还需要很多方法来纠正。

      四、由于点击数据受到搜索结果的影响，由于排序质量的问题，点击的位置bias，有很多办法来纠正；以及部分Query的点击比较稀疏，商品的点击比较稀疏。

         例如simrank，simrank++（http://www.vldb.org/pvldb/1/1453903.pdf）等算法。

         前阿里妈妈的yangxudong 文章里面有mapreduce 的实现：https://blog.csdn.net/yangxudong/article/details/24788137 。主要是基于分块矩阵的计算。实现中利用二次排序，做了不少优化。

      另外git hub 上面有两个代码：

（1）https://github.com/thunderain-project/examples  其部分代码无法通过编译。

（2）https://blog.csdn.net/dengxing1234/article/details/78933187  编译通过，少量数据可以通过编译，大量数据还无法跑得结果。

 

      五、第二种方法是用商品向量来表示Query，也有一些方法借鉴了simrank和向量的思想，用词向量来表示Query和Title。

       例如yahoo研究院的这篇论文《Learning Query and Document Relevance from a Web-scale Click Graph》。

       六、如今深度学习大行其道，Query相关性也可以用深度语义网络DSSM （cikm 2013）  https://www.cnblogs.com/baiting/p/7195998.html  。

把Query 先和Title 先分别用word hash 到一个3万维的空间，然后一层层embedding 到一个128维的向量， 最后可以简单的用cosin来计算相似性。

 

      七、我们在推荐算法中看到，一个用户在一个session中点击的商品序列可以用来做embedding ，得到商品id到embedding vector。

           同时我们可以可以考虑把用户在一个session中输入的Query当成序列来做embedding 。按照这个思路找了一下论文，果然2018年有人用这个想法写了论文。《Querying Word Embeddings for Similarity and Relatedness》http://aclweb.org/anthology/N18-1062

       We tested vector spaces with varying dimensionalities (dim=100/200/300) and number of context words (win=3/6/10), as well as minimum occurrence cutoff (min=1/5), negative samples (neg=1/5) and iterations (iter=1/5). These variations were tested to ensure the observed patterns reported in the experiments, but we report numerical results only for best performing models. In particular, higher dimensional vectors with dim=300 produced consistently better alignment with human scoring data. We also found min=1, neg=5 and iter=5 to be the optimal parameter settings across all experiments.

    八、目前图计算有很多方法。

                我们尝试了用node2vec的方法来计算Query的相似性，也取得了非常好的效果。即把query和item 的二部图上面做node2vec。

                另外准备尝试用阿里妈妈的euler平台里面的图embedding方法来计算节点之间相关性。