怎么对用户 query 进行意图识别?



转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com

AIQ 机器学习大数据 知乎专栏 点击关注

先定优化目标:AB 测试,提升点击率

朋友问,一个用户搜索一个 query 是“百度”,怎么知道用户真正是想找什么呢。

       我回答说,分析之前搜索这个 query 的用户点了些什么结果。

       朋友继续问,如果没有用户点击呢。

       如果没有点击,这个问题就比较复杂了。整理了下思路,于是写成了本文。主要描述了关于如何预测用户 query 意图。希望会有所帮助。

       首先我们的明确一个标准,如何判断我们对用户意图的猜测是正确的?

       用户的思维是很发散的,也许今天搜索“葛优”,是想找“让子弹飞”,明天搜索相同的 query,就是想找“非诚勿扰”。        

       我们确定了要在某个方面的 query 预测上做一个改进,那么我们首先的把标准定下来,依照这个标准来进行改进。

      现在有很多对搜索系统的评价指标,如 pv,ipv,ctr,搜索引导的后续转化率等可以量化的指标,这些指标是对搜索系统总体的评价。具体到用户意图预测上,标准很难确定,对于排序比较直观的就是进行 side by side 的评测,比较原有的效果和改进的效果,看是否会排序更优;对于导航,那我们可以看我们预测的类目和用户实际点的类目的占比,是否能有效降低用户点击非推荐类目的比率。

接下来,我们从 2 种情况下来回答这个问题,

如果我们已经有了一套完整的系统,有大量的用户访问****

       先从简单的说起,假设我们已经有了一个完整的搜索系统,有大量的用户访问,我们希望通过对用户 query 的预测来提高搜索体验。这样的系统的大概架构如下。

包括图所示的几个部分,

**1、 **前端(f2e)

       前端负责直接和用户进行交换,当收到用户搜索请求之后,往后端系统传递请求,并接收搜索引擎返回的结果,组织到网页上,展示给用户。

       前端还肩负着一个重要的记录日志的工作,这个日志的记录,并不是 apache 的访问日志,这样的日志内容过于简单。如果要前端记录过多的日志,又会给服务器带来不小的压力。所以目前主要的手段是通过用户在页面上进行搜索或点击等行为时,调用 javascript 向指定的日志服务器,发送特征 url 来记录,这种 url 不会返回内容,仅仅为了给日志服务器添加记录。发送的 url 会包括从 cookie 中解析出的用户特有的数据。

2 、Query**** 处理

       Query 处理是线上服务系统,它是对用户意图进行预测后,对用户的搜索结果进行改进。在接收到前端的请求之后,会利用线下对 query 分析得到的数据,对用户的 query 和上下文环境进行分析,附加更多的条件到搜索引擎的请求命令之中。常见的 Query 处理,会有以下的一些类容,query 改写,query 分类预测,query 的导航等。

       Query 处理这部分主要的意义在于,将用户的搜索 query,翻译为对搜索引擎更适合查询串。在大多数情况下,用户使用搜索引擎是为了解决自己的问题,如果能直接获得答案,用户是不大愿意进行搜索的。

       用户也许的问题是,“非诚勿扰 2 里面说的廖凡是谁”这样的一个问题,这样的问题直接搜索是不太会有会令用户比较满意的答案,(除非有向百度知道这样的系统已经存在了类似的问题)。有些用户就会考虑换个关键词试试,搜索下“廖凡”,看是否会有一些答案可以让自己满意。所以很大程度上是搜索引擎在教用户如何使用自己。但是并非所有的用户都对搜索系统如此的熟悉,那我们就需要考虑看看在我们搜索的结果里面效果不太好的 query,分析它是怎么构成的。我们也许无法准确回答“非诚勿扰 2 里面说的廖凡是谁”,但是可以把其中最关键的信息抽取出来“非诚勿扰 2”“廖凡”,并且,我们需要回答“是谁”这样的疑问问题。把这些信息传递给引擎,才会有更好的结果。

       再例如,用户想找,“1000 元左右的手机”,那么对于淘宝来说,可以把搜索的条件转化为 800-1200 价格限制范围的,手机类目下的宝贝,或者更进一步,把各种型号的手机,列在一起,进行参数的比较。

       再深入一步,用户想找“舒淇在非诚勿扰 2 中用的手机”,如果我们可以把这个问题转化为对“朵唯 S920”的搜索,那就是非常非常好的效果了,至于这个 query 如何对应到这个结果,也许后面的一些分析,能提供一些线索。

具体的实现,可以参考下面几点,

       对 query 的线上处理,如果是较为 hot 的 query,可以以查表为主,可以用 hash 表,trie 树等进行查表,把在线下计算好的数据,通过查表的方式找到对应的结果,附加到给引擎的搜索条件上,并返回。

另外,可以把线下训练好的模型,在线上进行预测,一般的分类算法预测速度都比较快。可以对长尾的 query,进行及时的预测。

       也可以做一些规则,如我们上面举的例子,“1000 元左右”,可以通过正则表达式进行识别,将其转为对应的搜索条件。这些规则如何来定呢,这是比较麻烦的一点,像这类的 query,肯定是 pv 比较低的,属于长尾的 query,这些 query 效果提升可能比较明显,但是对总体搜索系统效果影响会较小。这个问题比较尴尬,如果这类 query 处理的效果好的话,那用户会使用的更多;用户知道了这样的 query 效果不好,所以就换成了效果好的 query。如果要做好规则,那就把长尾的这些 query 都拿出来,多看看,分下类,再结合实际的问题分类,总结出一些通用的规则,来进行优化。

3 、搜索引擎

       搜索引擎主要负责检索和排序,一般由一些倒排表和正排表组成。倒排表用于查找对应的文档 id,能快速的检索出命中 query 的文档,在根据正排表来查对应 id 的数据。

       一般将需要字符串类型的文档字段作为倒排表来进行检索,字符型的字段可以放在正排表中,在通过倒排表找到了满足条件的文档,再在正排表中进行过滤。找到满足条件的文档后,再进行过滤,统计,并根据排序参数进行排序。

       排序分为 2 个部分,一部分是文档自身的静态分,每个文档会有类似 pagerank 这样分数,另外一部分是还有和 query 相关的部分,会计算文档和 query 的关系,例如,query 中出现的词的在文档中是否距离较近,query 是否为文档的中心词。

4 、日志存储

       日志存储系统收集前端记录的日志,存储在数据仓库中,解析后用分布式文件系统来存放。有几类日志比较重要,

A、 搜索日志,搜索日志一般会包括以下一些信息,用户 id,session id,用户搜索 query,用户当前搜索的分类,用户搜索时间,

B、 点击日志,用户 id,session id,用户搜索 query,用户当前搜索的分类,用户点击的 item,用户点击时间

C、 当然可能还有其他的如交易记录等,

有了以上几个部分之后,我们就可以通过以下 2 个部分来进行用户意图的预测,

5 、统计分析

       日志分析主要是一种统计分析,数据源来自于访问日志。另外还可以分析数据库中存储的用户的购买,收藏等行为。

       可以从日志中分析出用户搜索 query,“nike”最想找的是运动鞋呢,还是运动服。

       常用的应用有下拉提示,相关搜索等,

       下拉推荐是一种比较常用的用户意图分析的系统,通常是统计日志中,表现比较好的 query,将这些 query 按照 pv 和数据表现等指标进行排序,然后把 query 转化为英文和中文对应的前缀,把相同前缀的建成统一索引,在用户输入关键词后,推荐相应的 query。

       相关搜索是更为常用的用户意图分析,一般通过关联规则 (Apriori,FP-growth),统计同一 sesion 中,用户经常出现的相关的 query,比如,可以发现同一个 session 里面搜索了 nike 的用户,很多都搜索了“nike dunk”这样的信息,我们就可以再搜索结果中进行改进。这一算法可以大量应用于数据挖掘。推广开去,我们要找某个类目下进行了购买的用户,还希望购买些什么类目的东西;看了一本书的用户,还会看什么书;搜索了一个“长款”属性,是否还希望“修身”这样的属性。

       再往下深入,我们可以分析用户历史行为,进行个性化的预测。比如分析用户性别,喜好,来进行分类,推荐。

6 、机器学习

       统计的算法也是机器学习的一种,如果用户行为数据足够多,那直接使用统计分析应该是可以解决大部分问题。剩下的小部分问题是可以交给机器学习其他算法来完成。

       举一个简单的例子来说明,用户搜索“nike”和“羽绒服”比较多,有了足够多的统计数据,我们知道“nike”对应的是运动鞋,运动服等。“羽绒服”对应的是服装。但是用户搜索“红色的 nike 羽绒服”次数很少,没有足够多的数据,我们统计到的结果也许是不准确的,偏差较大。

       那我们可以将较好的数据进行训练,并对长尾的 query 进行分类预测。这里的训练数据的特征是用户 query 中每个词,词出现对应这一种分类。

       训练数据的选择是分类算法最重要的一步,一般对文本的分类预测,可以使用信息增益,卡方,互信息等来作为训练特征。具体问题具体分析,例如使用 loglinear 算法进行预测,实验证明信息增益来作为特征选择会更加有效,另外也得分析应用的场景,根据需要来选择算法,选择特征,法无定法,对于淘宝的数据来说,用于搜索的限于宝贝的标题,非常的短,直接使用用一般的网页分类算法是不太可行的,所以,数据不一样,方法就不一样,重要的是了解数据,了解方法的原理。机器学习不是万能的,不能靠运气。

       分好类后,对每个类中的文档的排序也可以通过机器学习来进行,如果每个文档有很多标准的特征,每个维度的特征有一定的分数。这个也可以通过机器学习的方法来进行好中坏分档,或者找出线性加权的最优化参数。

假设我们没有用户反馈数据****

       我们首先可以做的是把文档的自身的相关性做好,回到最开始的那个问题,一个用户搜索一个 query 是“百度”,怎么知道用户真正是想找什么呢。

       先我们至少可以把文档按分词后的结果和 query 进行比较,文档中如果是“众里寻他千百度”这样的就可以过滤掉了,因为“千百度”和“百度”还是有一些区别的。这是从文档自有的相关性上来进行优化。

       接下来,我们看这个文档是不是描述文档的,比如文档里面是讲“非诚勿扰 2”的,里面提到“廖凡,如果你不知道廖凡是谁,请百度一下”,那么这种文档不是描述“百度”这个词的,而是描述“非诚勿扰 2 的”,我们可以通过给文档进行分类或者加上 tag,来表示他的主题词,这样,这类的文档也可以过滤掉。

       我们再讨论下如果进行分类,在有用户数据的时候,我们可以用用户的行为来作为文档分类的结果;没有的情况下,我们可以进行人为的标注,当然这部分工作量巨大。另外可能可行的是,在结构化比较好的数据里面,找到关键的字段进行分类,例如,品牌 + 产品型号,这样的字段作为聚类的关键 key,把文档分为很多类。如果结构化不是很好,可以考虑用 crf 算法来抽取其中的关键字段进行聚类。同时把 query 对文档的直接搜索转化为对不同类文档的搜索。那么这时候,我们已经把搜索的所有文档进行了聚类,发现“朵唯 S920”手机的描述中,常会出现“舒淇在非诚勿扰 2 中使用”这样的描述,是否就可以考虑把两者联系在一起了呢。


更多高质资源 尽在AIQ 机器学习大数据 知乎专栏 点击关注

转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com