基于语义相似度的商品搜索推荐实践

一、背景

搜索是一个发现用户主动兴趣的场景，query是用户兴趣的浓缩表达，用户输入的query可认为是一种ugc，在电商类产品中，普遍存在ugc推荐场景，因而query的推荐也扮演着不可小觑的角色，在产品中，我们在搜索栏为用户推荐Query。在NLP领域，语义相似度的计算一直是个难题：搜索场景下query和Doc的语义相似度、feeds场景下Doc和Doc的语义相似度、机器翻译场景下A句子和B句子的语义相似度等等。

二、推荐目标

全局目标是提升商品CTR和用户体验，分解为：

• 推荐与商品相关的query
• 增强曝光query集合的多样性，提升用户体验
• 提升CTR，同时提升跳转到搜索页，在搜索结果页的内容点击率

三、推荐架构

本文主要介绍【实时算法层】

三、实时算法层介绍

1. Query分词

使用HanLP开源分词框架，同时例行化添加新词到词库。一方面可通过用户输入的 Query词补充词库，另一方面可通过用户点击的商品与用户输入的Query分词进行向量相似度计算，从而可筛选出Query分词的同义词。

2. 意图识别

意图识别，即将输入de Query词识别为指定的大、中、小类，意图识别本身也是一个分类问题，其实方法和分类模型的方法大同小异。
常用的方法有：

• 基于词典模板的规则分类
• 基于过往日志匹配（适用于搜索引擎）
• 基于分类模型进行意图识别

<