关于搜索:技术解读-智能开放搜索CTR预估模型

36次阅读

共计 1442 个字符,预计需要花费 4 分钟才能阅读完成。

简介:本文介绍凋谢搜寻 CTR 预估模型在个性化排序中的利用与实际

如何评估搜寻排序成果?

搜寻是用户触达信息最简略间接的形式,是 APP、网页必备的性能。如何评估并晋升搜寻成果始终是搜寻畛域的常见问题。

一方面,能够基于用户体验判断搜寻成果,比方是否搜寻到指标内容、在多长时间后返回搜寻后果等。另一方面,也能够通过体系化的搜寻统计指标来评估成果。常见的搜寻统计指标蕴含 CTR、CVR、搜寻疏导 GMV 等。

以 CTR(Click-Through-Rate)即点击率为例,示意点击数 / 曝光数,在搜寻、举荐、广告畛域利用宽泛,用以掂量搜寻、举荐等返回后果的点击状况。更高的点击率通常意味着更精确的搜寻成果,因而,搜寻畛域从业者经常将 CTR 作为搜寻成果外围评估规范,也是企业长期重兵投入的继续优化指标。

近些年来,得益于深度学习(Deep Learning)带来的微小红利,用于 CTR 预估的深度模型百花盛开。CTR 预估模型是针对每个用户的每个搜索词,预测搜寻文档潜在点击的模型。使用 CTR 预估模型,可能优化搜寻后果的排序,晋升搜寻成果和业务转化。

凋谢搜寻中的 CTR 预估模型

智能凋谢搜寻(OpenSearch)基于机器学习和个性化预估算法技术,借助在电商、内容社区、教育等多个畛域的能力积攒,为客户提供的一站式智能搜寻开发平台,并且一直迭代优化,将最新业界和阿里翻新技术一直交融到该平台框架中。

1. 简略易用:凋谢搜寻最新公测公布 CTR 预估模型,在上传用户曝光、点击等行为数据后,即可自动化训练专属 CTR 预估模型。模型训练实现后,能够通过 cava 脚本灵便调试排序规定,最大化施展模型成果,优化最终的搜寻后果排序。

2. 凋谢搜寻的 CTR 预估模型反对定制,疾速适配一套 Make For You 的模型。

3. 从行业颗粒度切入:不同行业会适配一套根底的行业模板,并反对定制,体系化行业级别特色建设。

实用场景

  • 实用于电商商品搜寻,内容社区资讯搜寻、多媒体视频搜寻等业务场景;
  • 对点击率、转化率(付费、点赞、珍藏等)、或播放时长等指标、搜寻成果有更高要求的客户,均能够应用 CTR 预估模型;
  • 如果想实现个性化的搜寻成果,但团队中又没有精通搜索算法的同学调试排序表达式,也能够尝试在凋谢搜寻中接入 CTR 预估模型。

应用办法

  • 通过服务端数据采集,上传点击、曝光等用户行为数据
  • 在凋谢搜寻控制台创立 CTR 预估模型,并点击开启训练
  • 创立业务排序 cava 插件,援用训练实现的 CTR 预估模型,并在排序中应用该 cava 插件,查看排序成果

更多应用详情请参考产品文档:https://help.aliyun.com/docum…

如需进一步技术领导,也可工单分割技术支持。

案例实际

社区内容搜寻

某技术社区作为中文 IT 内容社区,通过凋谢搜寻,为旗下产品的用户提供高质量的内容服务。同时搜寻能力的优化也能带来付费资源转化成果的晋升,减少整体业务收入。

接入 CTR 预估模型后成果:

  • 比照基于开源自建的服务,CTR 晋升 80%+
  • 后续算法专家通过深度定制模型一直帮客户调优,每曝光用户带来点击次数晋升 15%+,Item-CTR 晋升 10%+,成果还在继续晋升中

电商搜寻

国内某电商平台,主打保健品、家居用品、化妆品等自营产品,通过凋谢搜寻,在 APP 和小程序上提供内容资讯和商品购买等便捷服务。

接入 CTR 预估模型后成果:

  • 电商业务搜寻 CTR 绝对晋升 40%+,qv-GMV 绝对晋升 50%+
  • 内容业务首页 CTR 绝对值 10%+,无后果率绝对降落 20%+

原文链接
本文为阿里云原创内容,未经容许不得转载。

正文完
 0