直播回顾（视频+pdf）| 搜索算法揭秘：阿里大淘宝技术直播专场

演讲嘉宾

分享主题：

观看地址：

演讲嘉宾

分享主题：

观看地址：

瑞溪《多模态、多目标模型在电商搜索召回算法的应用》

Q1. 这里面有没有反作弊的模块？

A：搜索整体有反作弊的模型参与排序的

Q2. 多目标召回时，相关性loss是怎么设定的？pv loss的负样本应该是什么样呢？

A：我们搜索有一个独立的相关性模型，相关性的label是这样选的：用我们的相关性模型打分为强相关的作为正样本，随机负采样的作为负样本。

Q3. 这个相似query是不是有点类似“猜你喜欢”？

A：不是，相似query就是指语义上相似的query

Q4. 多目标拔河的问题，GradNorm怎么样？

A：平均的gradnorm没有太剧烈的波动，看不出什么异常

Q5. 多目标loss怎么调的 可以介绍下吗

A：可以调个目标权重，因为用的是sampled softmax，还可以调temperature参数

Q6. item侧的向量是和query相关的吗？要不然cross attention咋做

A：在多模态预训练阶段，是有一个item和query做内积衡量相似度的目标的

Q7. 拔河问题则呢么通过AM-Softmax和Margin解决呢？AM-Softmax和Margin是不是是一种“更好啦开差距，某些情况下更合理”的loss，并不是为解决这类“矛盾”设计的？

A：是这样的，因为拔河问题主要是由随机采样的负样本引起的，因此我们主要是抑制与点击目标梯度差别太大的负样本梯度。当相关负例梯度与点击正例差别超过一定程度时，就不使用该负例梯度了

湘生《电商搜索排序算法》

Q1. 请问下，加曝光序列的出发点是什么？有什么作用？

A：对比其他商品序列，曝光商品有一个非常重要的性质，它是当前user + query + context 下，所能实际搜出的最准确的商品。从某种程度上来说，曝光商品综合了此次搜索丰富的信息，能够有效的对user / query进行强有力的表达。

Q2. 这是18年的工作了，有更新的嘛（“商品的多模态表示学习- Learning Universal Item Representationa…”这一页slides）

A：多模态方面的工作我们一直在持续投入探索， 近两年的工作后续也会有相关论文整理， 欢迎关注。

Q3. id类序列特征时预训练还是端到端的？

A：id序列是端到端训练。

Q4. 用户首次查询的搜索排序和用户有过此类目行为数据查询排序有什么不同？

A:  对比多次查询，初次查询类目的不之处在于排序模型的用户行为序列中缺乏该类目下的个性化行为作为特征，搜索结果的个性化程度会相对弱一些。

Q5. 剪枝会作用到哪些网络层？比如embedding后的第一层MLP

A:  剪枝会作用在所有的全连接层。

Q6. 需要导出剪枝后的新张量吗，要修改推理吗？

A:  需要导出剪枝后的张量，模型在部署时本来就需要拆图以优化性能，这个过程中会对剪枝结果做适配。

Q7. 批更新是用过去一天的数据训练吗？

A:  用过去一天的数据，在前一天的ckpt上热启动训练。

Q8. 端上模型size是多大？

A: 约500K, embedding参数部分需要拆出来部署在云侧。

左枢《电商搜索相关性技术演进》

Q1. “用户相关性的反馈”建立相关性的方法有哪些呢?

A：淘宝会有多种用户反馈渠道，比如搜索结果页右下角可以对页面结果反馈，长按商品可以对单个商品的相关性做反馈

Q2. 在哪些阶段做的过滤呢？

A：召回、粗排、精排阶段都会做，每个阶段通过的商品都会有一定的数量限制，过滤条件之一就是相关性

Q3. 相关性和精排有什么区别？

A：精排是决定每个商品的展示顺序，相关性逻辑上是决定商品是否应该展示，不去影响展示的顺序

久越《电商知识图谱的构建以及应用》

Q1. 底层的数据库是什么？

A：用的是阿里云的大数据存储系统

Q2. 跟Alicoco是什么关系？

A：Alicoco是我们整个知识图谱底层数据的统一名称

Q3. 四元组和三元组是什么关系？

A：四元组是在三元组的结构上做了一层扩展，比如面向底层数据加入了同义词扩展，面向业务应用加了营销改写的扩展