導(dǎo)讀：上一篇為大家介紹完電商APP搜索引擎中如何召回搜索結(jié)果，本篇為大家詳細(xì)介紹如何排序搜索結(jié)果，建議新手讀者先閱讀前兩篇文章。

一、排序的目標(biāo)

電商APP搜索返回的召回結(jié)果如何進(jìn)行排序了？首先我們要明確排序的目標(biāo)，為什么我們要對(duì)搜索召回結(jié)果進(jìn)行排序，如果亂排會(huì)怎么樣？

1.1 提升用戶體驗(yàn)

排序的直接目的就是為了提升用戶對(duì)于搜索功能的使用體驗(yàn)，用戶搜索“礦泉水”，搜索引擎能夠?qū)⒂脩羝綍r(shí)常買，興趣度最高的“農(nóng)夫山泉”排序在前，不符合用戶消費(fèi)習(xí)慣的“百歲山”等排序在后。

如果搜索引擎經(jīng)常將一些和Query相關(guān)度低以及用戶感興趣不高的商品排序在前，用戶就需要經(jīng)常一直下滑去找自己想要的搜索結(jié)果，或者用戶更換Query詞重新進(jìn)行搜索，整體對(duì)用戶體驗(yàn)影響很大。大家通過下圖就可以感受出排序?qū)τ脩趔w驗(yàn)的影響。

1.2 提升點(diǎn)擊率、轉(zhuǎn)化率、下單率

在提升了用戶體驗(yàn)的同時(shí)，用戶對(duì)于搜索結(jié)果感興趣了進(jìn)而提升了對(duì)于搜索結(jié)果的點(diǎn)擊率，最終轉(zhuǎn)化率、下單率也會(huì)提升，從而提升了整體的流量轉(zhuǎn)化，提升整體的GMV。

1.3 提升GMV

影響搜索功能的整體成交金額的因素會(huì)有很多，但排序效果提升了，一定程度是會(huì)對(duì)搜索功能促成的整體交易額GMV有提升。但是我們?cè)谠u(píng)估該指標(biāo)時(shí)會(huì)考慮比較多的因素，因?yàn)檎wGMV提升了，是不是將較多促銷的商品排序在前了，短期內(nèi)GMV確實(shí)提升了，但是否會(huì)出現(xiàn)業(yè)務(wù)的毛利率下滑了。

二、排序策略

目前工業(yè)界一般是三大類排序策略：相關(guān)性排序、粗排和精排。

2.1 相關(guān)性排序

相關(guān)性的整體策略就是考慮搜索召回結(jié)果和Query的相關(guān)性，按照相關(guān)性進(jìn)行打分，最終相關(guān)性從高到低進(jìn)行排序。簡(jiǎn)單的搜索，比如用戶搜索“水”，實(shí)體識(shí)別以后水是一個(gè)SPU+CATEGORY屬性的搜索詞，我們分別去結(jié)構(gòu)化的物料庫(kù)里面，SPU列和CATEGORY列進(jìn)行召回，命中的商品則進(jìn)行加分。

實(shí)體的屬性Label，我們是存在優(yōu)先級(jí)的，每個(gè)實(shí)體我們會(huì)配置一個(gè)相應(yīng)的分?jǐn)?shù)，比如我們認(rèn)為SPU的重要性高于CATEGORY，我們給SPU設(shè)置為100分，CATEGORY為80分。那么一個(gè)商品如果SPU和CATEGORY都命中了，則相關(guān)性分?jǐn)?shù)就為180分。同時(shí)對(duì)于同義詞、近義詞、意圖詞召回的結(jié)果我們進(jìn)行相應(yīng)的降權(quán)。比如用戶搜索“圣女果”，A商品名為“小番茄”，“小番茄”和“圣女果”是同義詞，我們對(duì)同義詞命中的乘以0.9系數(shù)，則A商品的相關(guān)性分?jǐn)?shù)即為100*0.9=90分。

下圖即為用戶搜索“康師傅方便面”，每個(gè)商品對(duì)應(yīng)的相關(guān)性Score。

對(duì)于上述相關(guān)度分?jǐn)?shù)一致的商品，ES索引會(huì)自行隨機(jī)排序，線下測(cè)試時(shí)會(huì)發(fā)現(xiàn)相同分?jǐn)?shù)的商品每次排序可能都不太一樣。

2.2 粗排 （相關(guān)性 + 人氣 + 歷史購(gòu)買記錄等）

用戶搜索“礦泉水”，物料庫(kù)里的“康師傅礦泉水”、“怡寶礦泉水”、“依云礦泉水”。這三個(gè)物料的相關(guān)性都是和“礦泉水”完全一樣，那么如何排序了？隨機(jī)排序嘛？所以很多時(shí)候我們只考慮Query的相關(guān)性是完全不夠的，我們還需要考慮業(yè)務(wù)因素。

2.2.1 考慮業(yè)務(wù)因素

業(yè)務(wù)因素總的來說就是希望通過歷史數(shù)據(jù)來評(píng)估用戶對(duì)商品的喜好程度，然后將“喜好程度”進(jìn)行量化，不同商品之間可以相互比較。一般情況下我們考慮的業(yè)務(wù)因素有：

• 銷量：銷量是排序當(dāng)中非常重要的一個(gè)因素，銷量直接反映該商品的受歡迎程度；
• 收藏：商品的收藏量也間接反映出用戶對(duì)該商品的期待程度和受歡迎程度；
• 點(diǎn)擊&加購(gòu)：通過埋點(diǎn)行為數(shù)據(jù)跟蹤商品的歷史點(diǎn)擊和加購(gòu)行為，也可以一部分反映用戶對(duì)商品的喜好程度。

可以考慮的業(yè)務(wù)因素有很多，同時(shí)每個(gè)業(yè)務(wù)因素的配對(duì)的比重分?jǐn)?shù)具體看每個(gè)業(yè)務(wù)方的業(yè)務(wù)需求。但業(yè)務(wù)因素配置的分?jǐn)?shù)肯定不會(huì)超過相關(guān)性，而且一般會(huì)低較多，比如SPU設(shè)置100分，可能銷量只設(shè)置50分。具體分?jǐn)?shù)也要根據(jù)實(shí)際情況進(jìn)行調(diào)試。

促銷：有時(shí)候我們?cè)O(shè)置要考慮當(dāng)前商品是否促銷，為了配合市場(chǎng)推廣策略等，有時(shí)業(yè)務(wù)部門希望將促銷的商品排序靠前，短期內(nèi)增加商品的總銷量。這時(shí)排序的時(shí)候也需要針對(duì)“促銷”這個(gè)因素設(shè)置一定的排序權(quán)重分?jǐn)?shù)，不同的促銷類型配置不同的分?jǐn)?shù)。

2.2.2 歸一化方法

業(yè)務(wù)因素我們羅列完以后，如何將這些因素進(jìn)行量化？讓不同商品之間可以進(jìn)行比較。

統(tǒng)計(jì)口徑：

銷量的統(tǒng)計(jì)通常我們會(huì)按照訂單維度進(jìn)行統(tǒng)計(jì)，而不是商品的具體銷售個(gè)數(shù)。因?yàn)橛行┥唐分g按照銷售個(gè)數(shù)是無法比較的，完全不在一個(gè)維度，比如瓶裝康師傅礦泉水和茅臺(tái)的銷量對(duì)比，前者肯定要多很多。雖然是這樣

同時(shí)銷量的統(tǒng)計(jì)我們還會(huì)把那些大促期間的銷量剔除掉，因?yàn)檫@部分銷量并不能代表用戶真實(shí)的需求和意志。

統(tǒng)計(jì)周期：

統(tǒng)計(jì)近半年，近三個(gè)月，近一個(gè)月，近15天等等。時(shí)間周期一般會(huì)設(shè)置多個(gè)，然后不同的時(shí)間周期我們會(huì)按照重要性進(jìn)行百分比權(quán)重配比，最后加起來等于100%。只統(tǒng)計(jì)一個(gè)時(shí)間維度，很多時(shí)候商品的銷量具有欺騙性。比如夏天的時(shí)候冷飲銷量火爆，但如果將時(shí)間維度拉長(zhǎng)到半年，可能冷飲銷量就沒有那么火爆，所以需要不同的時(shí)間維度進(jìn)行組合。

統(tǒng)計(jì)門店or區(qū)域：

我們不會(huì)將平臺(tái)上所有的數(shù)據(jù)匯總在一起統(tǒng)計(jì)，一般情況下像生鮮電商類APP，我們會(huì)按照門店進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，綜合性電商APP我們可以按照每個(gè)省份區(qū)域進(jìn)行數(shù)據(jù)統(tǒng)計(jì)。因?yàn)椴煌瑓^(qū)域不同門店的用戶偏好是完全不一樣的，比如北方人可能偏好康師傅礦泉水，南方人偏好怡寶礦泉水。

歸一化公式：

歸一化比較簡(jiǎn)單的公式，我們可以用：

（商品訂單數(shù) — 門店最少的商品訂單數(shù) ）/ （門店最高的商品訂單數(shù) — 門店最少的商品訂單數(shù) ），這只是其中一種方法，有很多種歸一化的方法。最終我們計(jì)算出的是一個(gè)系數(shù)，然后我們將該系數(shù)乘以我們最初設(shè)置的權(quán)重分?jǐn)?shù)，比如銷量為50分，康師傅礦泉數(shù)計(jì)算出來的系數(shù)為0.5，那么0.5*50 = 25分，再將該分?jǐn)?shù)和相關(guān)性分?jǐn)?shù)進(jìn)行相加，得到一個(gè)綜合性分?jǐn)?shù)再排序。

2.2.3 潛在問題

上述將業(yè)務(wù)因素考慮進(jìn)排序中也會(huì)帶來一些實(shí)際的問題

馬太效應(yīng)：

銷量高的商品得到的曝光機(jī)會(huì)越來越多，銷量低的商品得到的曝光機(jī)會(huì)會(huì)越來越少；

新品曝光機(jī)會(huì)少：

很多新品剛上市，根本不存在任何銷量，此時(shí)相關(guān)業(yè)務(wù)性分?jǐn)?shù)均為零，導(dǎo)致新品得到的曝光機(jī)會(huì)非常少；

品類會(huì)比較集中：

因?yàn)橄M(fèi)品的使用周期完全不一樣，比如像礦泉水可能幾天就會(huì)購(gòu)買一次，但是像SK-2神仙水可能幾個(gè)月才會(huì)購(gòu)買一次。對(duì)于部分表述比較寬泛的搜索詞，有可能排序前列的都來自于一個(gè)小品類，比如用戶搜索肉，可能豬肉相關(guān)的商品整體銷量就是高于鴨肉、雞肉等，那么展示的結(jié)果中排序前列的可能都是豬肉。

當(dāng)然上述列舉的三大類問題，我們都可以有相應(yīng)策略進(jìn)行調(diào)整和優(yōu)化，但基于粗排和精排的模式對(duì)于整個(gè)業(yè)務(wù)的增長(zhǎng)慢慢來到了瓶頸期?；ヂ?lián)網(wǎng)電商巨頭們慢慢積累了大量的用戶行為數(shù)據(jù)，工業(yè)界開始探索構(gòu)建模型來進(jìn)行排序，預(yù)測(cè)探索用戶的偏好，實(shí)現(xiàn)按照用戶維度的千人千面排序。

2.3 精排

上述介紹的“相關(guān)性排序”或者是“粗排”，其實(shí)都是基于規(guī)則來做的。目前工業(yè)界電商巨頭們更加常用的做法是基于歷史訂單數(shù)據(jù)、用戶信息、埋點(diǎn)數(shù)據(jù)、用戶歷史Query等，使用傳統(tǒng)機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)來構(gòu)建CTR模型。構(gòu)建排序模型，第一件事情就是模型的學(xué)習(xí)目標(biāo)是什么，是以CTR為目標(biāo)還是CVR為目標(biāo)。通常情況下，模型一般以CTR為目標(biāo)，同時(shí)也會(huì)關(guān)注CVR和整體帶來的GMV提升等相關(guān)指標(biāo)。

關(guān)于千人千面排序模型，工業(yè)界也存在一個(gè)演進(jìn)的過程。下面我們引用美團(tuán)點(diǎn)評(píng)技術(shù)團(tuán)隊(duì)公開發(fā)布的文章里面部分的真實(shí)數(shù)據(jù)進(jìn)行講解，講解各個(gè)排序模型的特點(diǎn)和實(shí)際的線上效果。

在美團(tuán)酒店業(yè)務(wù)搜索這個(gè)場(chǎng)景中，效果最好的模型是以高維Wide特征為基礎(chǔ)的LR模型和以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的Deep模型相結(jié)合得到的一個(gè)綜合類模型。但不同的業(yè)務(wù)場(chǎng)景，用戶的數(shù)據(jù)維度和數(shù)據(jù)量都完全不一樣，所以相同的模型在不同業(yè)務(wù)場(chǎng)景的效果完全不一樣，需要具體問題具體分析。

2.4 業(yè)務(wù)策略干預(yù)

模型排序完的結(jié)果并不是最終展示給用戶的結(jié)果，因?yàn)楹芏鄷r(shí)候會(huì)存在一些業(yè)務(wù)策略的干預(yù)，強(qiáng)制將某些商品排序靠前或者調(diào)后，甚至將一些商品過濾掉；

• 比如說生鮮電商盒馬搜索場(chǎng)景中，排序完的結(jié)果會(huì)需要根據(jù)定位的門店進(jìn)行商品有無上架，商品當(dāng)前有無庫(kù)存等進(jìn)行過濾，未上架和當(dāng)前無庫(kù)存的商品會(huì)直接過濾掉；假設(shè)當(dāng)前盒馬和康師傅品牌達(dá)成合作，康師傅希望借助盒馬的平臺(tái)做一些新品的市場(chǎng)推廣活動(dòng)，則搜索結(jié)果中存在該新品的，盒馬都會(huì)一定程度排序調(diào)前甚至是置頂；
• 比如說綜合電商淘寶搜索場(chǎng)景中。購(gòu)買了淘寶的店鋪推廣服務(wù)的店鋪，這些店鋪的商品最終排序時(shí)淘寶就會(huì)適當(dāng)?shù)赝芭拧?/li>

業(yè)務(wù)策略會(huì)有很多很多，具體視每一家電商平臺(tái)的業(yè)務(wù)需求而制定。一般這種業(yè)務(wù)策略，都是通過后臺(tái)產(chǎn)品化的工具進(jìn)行配置，而不是說通過hard code寫進(jìn)代碼中。產(chǎn)品化的工具更加靈活，因?yàn)檫@些策略經(jīng)常變動(dòng)，需要支持產(chǎn)品運(yùn)營(yíng)人員更加靈活地進(jìn)行配置。

2.5 小結(jié)

相關(guān)性排序和粗排我們統(tǒng)稱為專家規(guī)則，每次調(diào)整影響比較大，無法及時(shí)地發(fā)現(xiàn)用戶的行為變化，但是可解釋性很強(qiáng)。

排序模型，能夠讓模型不停地訓(xùn)練自學(xué)習(xí)，及時(shí)發(fā)現(xiàn)用戶的行為變化，不過需要大量數(shù)據(jù)的支撐。有些時(shí)候在部分業(yè)務(wù)場(chǎng)景下，排序模型的線上效果并不一定強(qiáng)于專家規(guī)則。業(yè)務(wù)量小的電商APP，專家規(guī)則的效果要優(yōu)于排序模型，LR模型的效果要優(yōu)于深度學(xué)習(xí)模型。

只有一些業(yè)務(wù)量很大的電商APP，數(shù)據(jù)量足夠，用戶特征維度足夠，排序模型效果才會(huì)優(yōu)于專家規(guī)則，深度學(xué)習(xí)模型效果才會(huì)優(yōu)于高維LR模型。實(shí)際場(chǎng)景采用哪種策略，都需要根據(jù)線下靜態(tài)測(cè)試效果和線上生產(chǎn)效果PK，最終決定使用哪種方式。

該系列其他文章：

http://www.theventurebank.com/pmd/5544514.html

http://www.theventurebank.com/pmd/5549184.html

本文由 @King James 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議