背景

1、业务背景： 搜索推荐作为独立站的基础功能，是用户寻找匹配商品的重要工具，承担搜索导购、流量分发、个性化推荐等重要场景支撑

搜索服务：帮助用户明确搜索意图，通过query、类目进行商品检索
推荐服务：基于推荐场景、用户行为、商品表现，主动推荐给用户适合的商品
数据服务：赋能周边业务场景，提供搜索的能力和数据
工具支持：承接算法、query等相关工具 2、范围描述： 搜索推荐服务已承接独立站商城所有的商品列表流量
搜索业务：搜索结果页、分类页、分类搜索页
推荐业务：首页- recommend for you、首页deals、首页-Best Sellers、商详页买了又卖、商详页看了又看、商详页head售罄关联、商详页head广告关联、评论聚合页推荐、购物车猜你喜欢、个人中心猜你喜欢、类目页猜你喜欢、搜索页猜你喜欢、支付成功页猜你喜欢、Deals频道页、Best Sellers频道页
数据服务：专题页商品组件、coupon凑单页、活动凑单页（建设中）、邮件推荐
工具支持：ABtest、打分服务平台、模型训练平台、推理平台、在线数据服务平台、特征平台、词库（需求中）

关键指标

1、定性价值

用户快速触达所需信息
对商品流量进行协调分配

指标名称	指标描述	核算口径
搜索点击率	用户通过 Query、类目搜索结果产生点击	搜索商品点击率 = 搜索商品点击次数/搜索框点击次数
搜索价值	站内用户搜索产生的 GMV 价值	单次用户搜索价值=搜索成交的 gmv/搜索次数
推荐点击率	推荐结果产生点击	推荐位点击率= 推荐商品点击次数/推荐商品曝光次数
推荐 PV 价值	推荐坑位的 PV 产出价值	如：谷歌 shopping 广告来源用户，在商详页 head 广告关联推荐中的转化价值，uv 价值=gmv/pv 数量
推荐 UV 价值	推荐坑位的 UV 产出价值	如：谷歌 shopping 广告来源用户，在商详页 head 广告关联推荐中的转化价值，uv 价值=gmv/uv 数量

搜索推荐介绍

搜索主要工作是提升站内流量的高效利用, 从业务的角度主要分为搜索、推荐两大块。搜索：围绕着用户输入的搜索词，根据所搜内容匹配出相关的商品，核心关键问题就是 搜索意图 ，强调的是 相关性。搜索某种意义上讲是用户带着目的来搜索的，所以在用户内心是有正确答案的，所以搜索非常看中能否把这些正确答案给 召回 出来（推荐也关注召回率，但是没有搜索这么强调），所以评估指标是召回率、ndcg（评估搜索相关性）等
推荐要做的任务：增加用户的参与度，达到流量的有效利用，进而提高转化率，推荐算法强调 个性化 ，推荐场景是生成商品列表，有先后关系，所以推荐更关注商品之间的相对位置，也就是我们说的排序->粗排、精排等。总的来说，推荐算法是要商品在整体上 排的更好，搜索算法是要 搜的更全

搜推结构&应用

名词解释

Machine learning：机器学习
Deep learning：深度学习
Deep neural network ：神经网络
Artificial Intelligence：人工智能简称 AI
Retrieval：检索，信息匹配
Recall：召回，商品数据从海量到少量
Rank：排序、分粗排、精排、细排，商品的个性化排布
多路召回：指的是多条不同逻辑的召回链路组合在一起
爆款模型：全站商品畅销分，淘宝叫商品质量分
点击率模型：指的是模型的业务目标是点击率
转化率模型：指的是模型的业务目标是转化率
多目标学习：指的是一个模型业务目标是多个兼顾
向量化：将商品与商品之间的关系用一个向量表示
千人一面：没有个性化，所有人看到的都一样
千人十面：轻微个性化，同种类型的用户看到的一样，强调用户群体
千人千面：具有个性化，行为不一样的用户所看到的不同，强调用户个体

内部结构

推荐系统的内部结构 主要两个大的步骤，召回和排序，排序里面分粗排、精排、细排、重排、干预。商品库：海量商品集合。召回：规则分截断、截断分截断、i 2 i 召回、协同过滤、多路召回、向量化召回。粗排：粗排模型，规则分粗排精排： fm、wide 大规模模型、wide&deep（在 wide 模型的基础上增加了 dnn 模型）、deepfm、dien 重排：更多的是业务上的干预、新品扶持、odr 降权、类目打散等。

早期阶段：规划分阶段（召回）+规划分粗排（排序），千人一面 or 千人十面中期阶段：多链路召回（召回）+ 粗排模型（粗排）+个性化模型。千人千面后期阶段：召回---粗排双塔模型（SENet、dssm）+精排模型（dien 用户序列兴趣---且多目标训练）