搜索系统中的召回
对召回的理解
现在无论是搜索系统还是推荐系统，基本形成了召回+排序的基本结构（当然内部还存在大量过滤逻辑，把一些召回回来的低质东西扔掉），召回的目标在于从海量信息中抽取若干可能可以被展示的信息，而排序则主要负责把更好的内容展示给用户，换言之，正确完整的结构是召回阶段关注召回率，而排序阶段关注准确率，两者结合，最终实现高准确高召回的展示结果。
重申，此时召回的目标在于从海量数据中找到可能可以出的结果，这种情况下，要求的是能找到的东西能尽可能找到，因为召回找不到的东西，是不可能在后面的结果里面出现了。
但值得强调的是，很多系统，尤其是最初刚开始建立的系统，排序其实并不是很完善，而应该是召回，甚至在召回阶段可能就要承担一定的排序压力，此时就需要保证较高程度的准确性了，因此情况还是会有所不同。
召回的操作
对于搜索系统，由于用户有非常明确的用户需求，因此所有操作都应该围绕着这句短短的用户query，但是要理解它的含义，却非常困难的，核心难度还是在于他的短，有的时候会非常模糊。因此和推荐系统不同的是，并非把时间花在用户和ITEM之间的分析上，而是query各个层面的分析。
query的各种分析，其核心原因是，要方便后续在数据库里进行查询，大家可以试想一下，做数据库查询需要知道哪些信息，有了这些信息，我们才能实现真正程度的召回：
哪个库哪个表。
哪些字段。
什么条件。
那么，对于原始query，我们需要做什么处理呢：
预处理。这个在之前的文章里面也说过很多次，繁体简体，大写小写，标点符号，数字等等，不赘述了。
改写。这个是搜索里面比较复杂的操作，后面会展开写，举个例子吧，招商银行和招行。
意图分类。对应是确定哪个库哪个表。
实体识别、term weighting等。对应的是哪个字段。
改写
首先是改写，首先需要明确的是，改写这个操作的目标是，要对应到数据库里面的数据，所谓的模糊搜索，能做到多模糊，其实就体现在你的改写能力好不好了，毕竟，数据库的查询能力是不可能做模糊的。
首先最简单的改写应该是同义词，这个就非常考验数据挖掘的能力了，怎么构建同义词词表，甚至是垂直领域下的数据挖掘能力，是非常关键的，具体怎么挖掘，这个就需要看大家的智慧啦。补充一下，这个同义词挖掘过程一般都是离线过程，在现阶段一般是直接触发词典来做改写的。
前缀匹配、拼音、拼音前缀、纠错。这个是搜索中的常见操作，用户很多时候不见得会输入所有内容甚至会输入错误，我们需要做补全（自动补全这个也有说法叫做query suggestion）。
前缀匹配同样可以通过词典来处理，约束好相似度（例如用编辑距离）即可。“番”直接改成“番禺野生动物园”可就不太合适了。
拼音结合拼音转换加词典的方式做改写就行，当然太简单也会有一些bad case，需要慢慢来补充迭代吧。
拼音前缀，hdl出海底捞，bd出百度，类似这种，也是可以通过构造实体词典的方式去做。
其他必要的改写，这个就要根据实际业务去做了，举个例子吧，搜索中有一种召回方式是从redis中做召回，这种方式的难度在于当且仅当只有精确匹配才能够找到结果，数据库里面可能没有钢铁侠，只有钢铁侠1，钢铁侠2，钢铁侠3，此时用户输入钢铁侠的时候是不会出结果的，我们需要设置同义词，这种同义词就不是我们常说意义的同义词，这个就需要结合一些规则去做针对性的操作。
其次，应该就是要上一些比较复杂的模型了，不过因为使用的方式是在线，所以再复杂也不会这么复杂。模型实质上也是去找相似的内容，说到相似、近义词，大家应该想到词向量的最近邻相似了，将某个词汇通过word2vector的方法转为向量，然后找到最接近的几个词（一般用相似度或者个数来截断），就能作为改写词。值得注意的是，如果上述方案已经能覆盖较多结果了，其实并没有太高的优先级，模型常伴有一定的不稳定性，说不定哪天就有一些bad case出现，这种case又不好处理。
意图识别
意图识别如上所述的目标对应下游，是为了知道，你要去哪个数据库找，这样说的会直接一些。当然对于大搜，有比较多的广义内容可以出，这可以当做单个品类，不用做意图识别。
意图识别，说白了就是个文本分类的问题，但是你局限在文本分类本身，那肯定会有问题，我先把文本分类的问题说完。
为什么说是文本分类呢，主要因为针对用户query（就是一段文本），你要分析他有什么意图，日历、电影、地图等等，其实就是个分类问题了吧，所以常用的方式就是文本分类，常用的模型如下：
fasttext。简单、速度快。
textcnn，准确召回啥的会提升较多，但是样本依赖也会提升很多。
bert系列，召准提升明显，速度降低，但是样本依赖由于fine tuning所以会减少很多，但是速度有质的下降。
然后来说为什么不能局限在文本分类。
首先，很多东西，不是语义就能处理的，而文本分类本身就是一个语义层面的东西。
某些意图是有时效性，模型可不能有这个更新频率。举个例子，“天气之子”在电影上映之前就没有电影意图。
模型可能会引入一些数据库不存在或者是无关的数据，这时候会出一些bad case。
那么模型的问题应该怎么解，没错，又是词典+模板，触发规则就是判断为特定意图，这个方式其实我个人非常喜欢，说说优点和缺点。
优点是准确率是真的高。
缺点是依赖词典挖掘，召回率低。
实体识别
实体识别这块，我曾经画上了比较多的章节讲过，此处就不赘述啦。
召回数据
上面内容的处理都是为了有更规范的信息进入数据库，能够更加精准的找到所需内容。这块写起来我想了超级久不知道怎么说，真的不好总结，我写一些我的理解吧。
数据库
一般会在什么数据库召回呢，首先一个强需求是速度足够快，不能一个查询数据库找一年对吧，因此常用的是这两种查询系统：
Redis，K-V查询，速度很快。
Elastic Search，为了搜索为建立的查询数据库。
相关性
虽说是召回，但是召回阶段还是要做一个分析，召回的内容和用户query之间的匹配程度，这个主要结果是为了后续的排序做支持（注意，最后的排序绝对不是文本相似度那么简单）。那么，具体有的方法如下：
规则，有些改写，可能会导致相似度很差，例如拼音转文字，这种要认为定相似度。
BM25这种基于词频类型的相似度计算。
文本相似度模型。
相关性截断和过滤
并不是所有的召回都可以直接给下游排序的，有些内容需要在召回阶段干掉，减轻排序压力。主要方法如下：
根据相关性，过滤其实相关性不高的数据。
不合法数据，可以通过敏感词词典等方式解决。
至此，完成召回过程。
后记
当前，大部分推荐系统和搜索系统的文章，多半会把精力集中在排序阶段，召回阶段多半讲完word2vector和协同过滤就完事了，主要原因是召回阶段的细节操作太多，也不好总结，建议大家还是多动手多思考，才能有更深的理解。
由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：
（1）点击页面最上方"AINLP"，进入公众号主页。
（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。
感谢支持，比心
推荐阅读
征稿启示| 200元稿费+5000DBC（价值20个小时GPU算力）
完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）
模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法
文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化
斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。
阅读至此了，分享、点赞、在看三选一吧🙏
相关内容
微信扫码咨询专知VIP会员