知乎搜索排序模型演进:从UnbiasLTR到SessionAware
版权申诉
3 浏览量
更新于2024-07-05
收藏 3.94MB PDF 举报
"这篇文档是关于知乎搜索排序模型的探索实践,由知乎搜索算法团队的王瑞欣在2020年11月分享。文档介绍了知乎搜索的发展历程,包括从传统的GBDT到深度神经网络(DNN)的迁移,以及一系列先进的排序模型和技术的应用,如UnbiasLTR、ContextAware、End2End、SessionAware等。同时,文档讨论了多目标排序的重要性,以及在实际应用中如何优化模型以提升用户体验和各种关键指标,如点击率、阅读时长、用户留存等。"
知乎搜索排序模型的发展始于2017年,随着技术的不断迭代,从2018年的深度语义相关性,到2019年引入BERT和语义向量索引,再到同年将GBDT升级为DNN,知乎搜索一直在寻求更先进的方法来提升搜索效果。2019年10月,引入了UnbiasedLTR,旨在减少排序中的偏差;2019年11月,采用MultiTaskLTR进行多任务学习,以处理不同目标之间的关系;2020年之后,又进一步发展了SERank、Answer Static Score DNN模型、LTREnd2End、LTRMMoE以及LTRSessionAware等,逐步提高了用户的使用体验。
搜索架构的变化是从GBDT迁移到DNN,这主要归因于两个原因:一是数据量的增加使得更高复杂度的模型成为可能;二是为了应用最新的研究进展,如多目标排序。这一迁移带来了明显的收益,包括点击率、点展比和人均时长的显著提升。
排序模型是基于TensorFlow的Ranking库开发的,使用Ranking loss和metrics,并通过Estimator API实现。多目标排序是其中的关键,其目的是综合预估多个指标,如点击率、阅读时长、点赞、收藏、关注、分享和评论,以提升用户满意度。初始版本采用了hard sharing的SharedBottom结构,随后发展为MMOE(多门混合专家)结构,以更好地处理不同任务间的关联性。这种优化带来了人均阅读时长和次日留存率的提升,并且在在线预测时,模型会根据不同的任务计算相应的Loss。
知乎搜索排序模型的探索实践是围绕提升用户搜索体验展开的,通过不断的技术创新和模型优化,实现了对多种用户行为的精准预测,从而提高了整体的搜索质量和用户黏性。
2021-06-03 上传
2021-03-08 上传
2020-02-12 上传
2023-05-18 上传
2021-12-15 上传
2021-09-11 上传
2021-08-08 上传
2022-03-04 上传
2022-03-04 上传
普通网友
- 粉丝: 12w+
- 资源: 9195
最新资源
- 开源通讯录备份系统项目,易于复刻与扩展
- 探索NX二次开发:UF_DRF_ask_id_symbol_geometry函数详解
- Vuex使用教程:详细资料包解析与实践
- 汉印A300蓝牙打印机安卓App开发教程与资源
- kkFileView 4.4.0-beta版:Windows下的解压缩文件预览器
- ChatGPT对战Bard:一场AI的深度测评与比较
- 稳定版MySQL连接Java的驱动包MySQL Connector/J 5.1.38发布
- Zabbix监控系统离线安装包下载指南
- JavaScript Promise代码解析与应用
- 基于JAVA和SQL的离散数学题库管理系统开发与应用
- 竞赛项目申报系统:SpringBoot与Vue.js结合毕业设计
- JAVA+SQL打造离散数学题库管理系统:源代码与文档全览
- C#代码实现装箱与转换的详细解析
- 利用ChatGPT深入了解行业的快速方法论
- C语言链表操作实战解析与代码示例
- 大学生选修选课系统设计与实现:源码及数据库架构