搜索系統(tǒng)中容易存在頭部效應(yīng)，中長尾的優(yōu)質(zhì)商品較難獲得充分的展示機會，如何破除系統(tǒng)的馬太效應(yīng)，提升展示結(jié)果的豐富性與多樣性，助力中長尾商品成長是電商平臺搜索系統(tǒng)的一個重要課題。其中，搜索EE系統(tǒng)在保持排序結(jié)果基本穩(wěn)定的基礎(chǔ)上，通過將優(yōu)質(zhì)中長尾商品穿插至排序結(jié)果中將優(yōu)質(zhì)商品動態(tài)展示給用戶，提升用戶體驗與搜索結(jié)果豐富性，是破除馬太效應(yīng)的一大助力。

本文將從搜索EE近期的全量迭代出發(fā)，展現(xiàn)其鏈路演進(jìn)的整體脈絡(luò)，包含：EE自適應(yīng)動態(tài)探測模型——EE場景建模方式升級——打分與穿插兩階段一致性升級——探測與自然流量全局聯(lián)動優(yōu)化四個階段，梳理對搜索EE的思考與下一步迭代方向。

一、EE自適應(yīng)動態(tài)探測模型

傳統(tǒng)EE模型從商品曝光置信度、打分置信度等角度出發(fā)，決策EE商品的展示位置以及穿插位置，較少從用戶瀏覽意圖與探索意愿的差異化角度，來考量探測力度。其可能導(dǎo)致用戶在寬泛瀏覽與挑選商品時，缺少豐富的商品選擇，在決策購買時反而穿插了探索商品的誤判情景，影響用戶的搜索體驗，不能充分發(fā)揮搜索EE系統(tǒng)的探索和利用(Explore & Exploit)兩大能力。

針對以上探測錯配情況，可嘗試在EE模型中顯式建模用戶的“逛”、“買”探索偏好，進(jìn)一步結(jié)合偏好，自適應(yīng)調(diào)整搜索EE的利用與探索力度。對于偏“逛”用戶增強EE探索力度，提供更豐富的探索展示；對于購買意愿明顯的用戶，提供更直接的購買選擇。通過對用戶探索偏好的顯式建模，能夠在提升用戶的轉(zhuǎn)化效率的同時提升搜索結(jié)果豐富性。

1、自適應(yīng)探索模型優(yōu)化

相較于原有EE模型，自適應(yīng)探索對EE模型的自適應(yīng)探索能力進(jìn)行了升級，主要體現(xiàn)在如下三點：（1）對用戶探索偏好進(jìn)行差異化建模："逛" "買"用戶提供動態(tài)差異化探測力度，在轉(zhuǎn)化效率和搜索豐富性中取得平衡。（2）以用戶瀏覽深度為子任務(wù)建模到EE模型中：以瀏覽深度作為用戶意愿的重要指標(biāo)，并建模到EE模型中，顯式增強模型對用戶瀏覽意愿的感知。（3）提升模型對探索性特征利用性：對探索偏好的顯式建模，提升探索性特征在模型中的學(xué)習(xí)權(quán)重，在EE過程中對探索特征進(jìn)行充分利用。

2、方案實踐

為了增強EE模型的自適應(yīng)探索能力，針對原有EE模型進(jìn)行如下升級：

（1）探索偏好網(wǎng)絡(luò)Explore-Net

在保持原有的EE模型主網(wǎng)絡(luò)Exploit-Net基礎(chǔ)上，添加了探索偏好網(wǎng)絡(luò)Explore-Net(圖中左下綠色部分)，提升模型對用戶探索意圖的差異化建模。

①輸入特征優(yōu)化

考慮到用戶的探索意圖只與個人特性、搜索詞相關(guān)，因此Explore-Net的輸入特征僅使用用戶側(cè)、Query側(cè)中相關(guān)特征。

為進(jìn)一步度量特征與探索偏好的關(guān)聯(lián)性，統(tǒng)計不同瀏覽深度下各特征的分布差異，剔除了未與瀏覽深度明顯相關(guān)特征，如搜索詞長度等，精簡特征空間提升預(yù)估精度。

②模型顯性建模

EE原模型的輸入中包含探索性特征，但在進(jìn)行搜索排序任務(wù)中易被其他特征掩蓋導(dǎo)致利用率不強，在探索偏好建模中顯式構(gòu)建了探索偏好網(wǎng)絡(luò)Explore-Net，對用戶探索意圖進(jìn)行獨立建模構(gòu)建，增強探索性特征的重要性。

優(yōu)化后的EE模型具有Exploit-Net與Explore-Net雙塔結(jié)構(gòu)，Exploit-Net對商品進(jìn)行精準(zhǔn)化打分，對候選商品進(jìn)行充分利用；Explore-Net對用戶探索意愿進(jìn)行建模，根據(jù)用戶偏好動態(tài)調(diào)整探索力度，共同構(gòu)成商品探索與利用的完整機制。

（2）用戶瀏覽深度回歸任務(wù)構(gòu)建

在原有的訓(xùn)練過程基礎(chǔ)上，添加了用戶瀏覽深度回歸任務(wù)(圖中左上紅色部分)，提升模型對用戶瀏覽意愿的感知性，增強EE模型的自適應(yīng)探索能力。

①輔助任務(wù)選擇

瀏覽深度作為用戶瀏覽意愿的直觀體現(xiàn)，表現(xiàn)了用戶的探索意愿，因此使用瀏覽深度預(yù)估任務(wù)作為模型訓(xùn)練的輔助任務(wù),對用戶偏好進(jìn)行顯式建模。

在輔助任務(wù)類型的考量上，綜合考慮了將瀏覽深度劃分不同區(qū)間進(jìn)行預(yù)測的分類任務(wù),以及對瀏覽深度的回歸任務(wù)。在實驗中分類任務(wù)體現(xiàn)出較為明顯的頭尾傾向性，輸出值分布不均勻，實踐中最終選用了回歸任務(wù)作為輔助任務(wù)。

②回歸任務(wù)設(shè)計

在樣本數(shù)據(jù)分析中，發(fā)現(xiàn)用戶的瀏覽深度差異化極大。為了平衡瀏覽深度的差異，保障模型輸出值的均勻性與差異性，對瀏覽深度標(biāo)簽進(jìn)行了log平滑放縮，并選用RMSE-loss作為輔助任務(wù)的損失函數(shù)對瀏覽深度任務(wù)進(jìn)行構(gòu)建。

在模型訓(xùn)練中頭尾樣本相對較少，對過淺和過深的兩類樣本預(yù)測準(zhǔn)確性偏低。為平衡樣本間差異，在損失函數(shù)的樣本權(quán)重設(shè)計中，對由淺到深相應(yīng)樣本，其權(quán)重為先減小后增大的 “凹形”權(quán)重，平衡頭尾和腰部樣本的準(zhǔn)確性。

（3）Explore-Net與主網(wǎng)絡(luò)的二次融合

Explore-Net 和 Exploit-Net 進(jìn)行了融合(圖中中上紅色部分)，增強模型整體對探索性特征的利用，提升EE隱層embedding豐富性，對探索偏好較強的用戶提升了不確定性打分，提升探索商品的范圍和豐富度。

①特征融合

由于在用戶瀏覽深度回歸任務(wù)上對用戶的探索偏好進(jìn)行了顯式建模，Explore-Net的輸出embedding對探索性特征進(jìn)行了高維抽取，能夠?qū)τ脩羝眠M(jìn)行自適應(yīng)建模。

為讓探索偏好特征更好地參與到整體任務(wù)訓(xùn)練中，平衡打分的精準(zhǔn)性與差異化，將Explore-Net的深層表征與Exploit-Net的深層表征進(jìn)行拼接融合，提升EE模型隱層embedding的豐富性和表征能力，提升模型打分能力。

②不確定性預(yù)估融合

用戶的探索偏好與商品的不確定性預(yù)估有直接的相關(guān)關(guān)聯(lián)。對于探索意圖較強的用戶，提升商品打分的不確定性，助力更豐富的商品穿插到搜索結(jié)果中，反之亦如此。因此在不確定性預(yù)估模塊中，設(shè)計在探索表征層面進(jìn)行融合。

在不確定性預(yù)估（SVGP）模塊中，將瀏覽深度回歸網(wǎng)絡(luò)輸出值與方差預(yù)估部分進(jìn)行了二次融合，對于探索偏好較強的用戶，顯式強化了商品不確定性打分，提升探索力度。

3、升級效果

（1）探索利用效果分析

①EE模型打分結(jié)果分析：

在相同的預(yù)測集上，統(tǒng)計了平均打分探測力度隨瀏覽深度變化情況

結(jié)論：相比原模型，自適應(yīng)探索模型的平均探測力度，隨瀏覽深度增大而逐漸增大，體現(xiàn)出session維度的顯著差異化。

②EE實驗位下穿插商品位置分析：

在各實驗位下，統(tǒng)計平均插入位置與瀏覽深度的變化情況。

結(jié)論：Test桶結(jié)果，隨著瀏覽深度增大，商品的平均插入位置相比原模型有所前移，探索力度增強。

核心結(jié)論：通過以上對探索利用的效果分析，自適應(yīng)探索模型符合設(shè)計預(yù)期，在瀏覽深度較低的session下插入商品較少，探索力度較弱；在瀏覽深度較深的session下，EE模型的探索意愿更強，模型探索力度更大，穿插商品位置有所前移。

（2）線上效果

保持搜索效率持平的情況下，EE核心指標(biāo)提升明顯并全量上線，流動性、探索成功率提升近 0.5%。

商品建模方式思考：

差異化建模用戶探索意圖后，EE模塊實現(xiàn)了對不同用戶自適應(yīng)調(diào)整探索并取得了一定收益。用戶側(cè)建模方式優(yōu)化后，對商品側(cè)建模方式進(jìn)行升級改造，將是進(jìn)一步提升EE探測模型的合理切入點。

二、EE場景建模方式升級

原主網(wǎng)絡(luò)建模方式為點擊率單任務(wù)，點擊作為轉(zhuǎn)化的前置行為，建模點擊行為實現(xiàn)對潛力中長尾的探索助力。同時在實踐中，通過樣本label進(jìn)行動態(tài)權(quán)重調(diào)整，隱式建模轉(zhuǎn)化屬性，兼顧轉(zhuǎn)化效率。

僅建模點擊對高轉(zhuǎn)化屬性商品并不友好，同時是對標(biāo)題黨行為的潛在鼓勵，和EE模塊優(yōu)化整體生態(tài)環(huán)境、打造搜索長期價值的初衷有所偏差。因此升級思路不再局限于僅關(guān)注曝光后獲得點擊這一前置鏈路行為，而是對整體轉(zhuǎn)化鏈路進(jìn)行建模，關(guān)注商品的多維度屬性。

1、EE場景建模方式優(yōu)化

在原有基礎(chǔ)上引入轉(zhuǎn)化行為的顯式建模任務(wù)，將主網(wǎng)絡(luò)結(jié)構(gòu)從點擊單任務(wù)升級為點擊轉(zhuǎn)化多任務(wù)，以多任務(wù)方式增強不同行為的建模質(zhì)量，實現(xiàn)對商品的更全面、更準(zhǔn)確建模。

2、方案實踐

在EE自適應(yīng)探索機制基礎(chǔ)上，EE場景建模方式升級對原有模型進(jìn)行了如下優(yōu)化與升級：

（1）SVGP模塊交互方案設(shè)計

原模型中主網(wǎng)絡(luò)和輔助模塊在SVGP模塊中交互，新版方案中輔助任務(wù)是否需要與SVGP模塊進(jìn)行交互? 即隨機高斯過程是否需要同樣作用于建模轉(zhuǎn)化任務(wù)，是方案設(shè)計首要考慮的問題。

具體實驗中，發(fā)現(xiàn)SVGP會導(dǎo)致收斂后AUC指標(biāo)在千分位級別降低，即其在引入不確定性功能的同時，會輕微降低模型效果。考慮到目前SVGP模塊已帶來所需的探索能力，難以通過多SVGP堆疊方式帶來收益。因此升級方案選擇將輔助任務(wù)構(gòu)建成純凈任務(wù)，其僅建模商品屬性而不構(gòu)建對應(yīng)的SVGP模塊。

（2）多任務(wù)網(wǎng)絡(luò)框架實現(xiàn)

EE探測線上耗時較低，建模方式升級后需延續(xù)這一目標(biāo)。雖然主流多任務(wù)結(jié)構(gòu)MMOE性能更為優(yōu)越，但線上耗時將有增加風(fēng)險，因此選擇更輕量級的share bottom方式，在基本不增加線上耗時的情況下完成多任務(wù)建模。升級方案把多任務(wù)被設(shè)計為雙任務(wù)模型，使用低層網(wǎng)絡(luò)進(jìn)行表征抽取，在高層維度使用兩個tower分別建模主任務(wù)和輔助任務(wù)。

①任務(wù)組合選取

選擇雙任務(wù)為ctr任務(wù)+ctcvr任務(wù)，考慮到點擊樣本比訂單樣本更豐富， ctr正樣本更多，對于需要大量引導(dǎo)點的SVGP模塊更為友好。同時點擊相對購買行為的不確定性更高，在點擊預(yù)測上引入不確定性打分更為合理，因此將ctr作為主任務(wù)、ctcvr為輔助任務(wù)進(jìn)行配置。

②模型結(jié)構(gòu)迭代

前述迭代過程中模型結(jié)構(gòu)如圖中間所示，低層網(wǎng)絡(luò)編碼輸入信息后使用兩個淺層tower分別學(xué)習(xí)不同任務(wù)， 該結(jié)構(gòu)潛在缺點為一方面可能導(dǎo)致低層網(wǎng)絡(luò)梯度被某個任務(wù)主導(dǎo)（例如ctr任務(wù)），另一方面上層tower過淺可能導(dǎo)致任務(wù)學(xué)習(xí)不夠充分。

進(jìn)一步探索僅共享特征、增加任務(wù)tower深度的網(wǎng)絡(luò)結(jié)構(gòu)。在多任務(wù)分?jǐn)?shù)融合方式相同的情況下，新結(jié)構(gòu)線上表現(xiàn)更佳，因此最終結(jié)構(gòu)如上圖最右所示，使用較深的tower head建模各自任務(wù)，彼此間僅共享特征。

③融合方式迭代

上述模型在離線指標(biāo)上取得了不錯的收益且線上表現(xiàn)更優(yōu)，但遇到了大盤效率和EE相關(guān)指標(biāo)無法同時提升的問題。分析梳理現(xiàn)有方案實驗后，認(rèn)為目前多任務(wù)融合方式相對樸素、存在改善提升空間。

選取帶權(quán)相加、直接相乘和冪次指數(shù)相乘三種方式。由于缺乏合適的理論量化分析工具，因此選擇從實驗結(jié)果出發(fā)選取最優(yōu)融合方式和融合系數(shù)，為此開發(fā)了離線融合尋參模塊，將predict時各head打分結(jié)果保存后，通過網(wǎng)格搜索方式選取最優(yōu)參數(shù)。

通過在多組數(shù)據(jù)上遍歷尋優(yōu)確定不同融合方式的最優(yōu)系數(shù)，并基于此開展線上實驗選取表現(xiàn)最優(yōu)方式，最終我們選取帶權(quán)相加方式，在EE指標(biāo)提升的同時保持大盤效率指標(biāo)持平。

3、升級效果

（1）模型建模升級效果分析

①EE模型打分區(qū)分度分析：

在相同的預(yù)測集上，統(tǒng)計了離線打分分布情況

結(jié)論：分布由橙色線條（原版）變?yōu)樗{(lán)色線條（升級后版本），整體更加平緩，保證不同商品彼此更具備區(qū)分度。

②EE探測次數(shù)分析：

統(tǒng)計線上打分分布情況，對線上探測情況進(jìn)行分析

結(jié)論：橫軸為曝光數(shù)量大于等于N，縱軸為distinct sku數(shù)量，下圖表明模型升級后在僅探索一次的dst sku數(shù)量上有所下降，減少偏隨機的一次性探測，但在多次探索商品上有所提升，表明test更傾向于探索中腰部商品。

（2）線上效果

搜索效率持平情況下，流動性指標(biāo)、探索成功率提升顯著并全量上線。

鏈路一致性思考：

完成EE打分模型優(yōu)化后，能夠一定程度實現(xiàn)探索力度隨用戶探索意愿的動態(tài)調(diào)整。但從整體EE鏈路上看 (候選集生成 → EE打分 → 動態(tài)展示)，EE動態(tài)穿插決策與打分階段相互獨立，其結(jié)果由一個xgb回歸模型決定，兩個階段的聯(lián)動關(guān)系和一致性程度弱。如何跟隨用戶瀏覽意愿，將 EE打分→ 動態(tài)展示 兩個環(huán)節(jié)能夠同步、一致性地調(diào)整，是進(jìn)一步的優(yōu)化方向。

三、打分與穿插端到端一致性升級

打分與穿插展示兩個階段一致性未能對齊，可能導(dǎo)致激進(jìn)的模型打分無法匹配上豐富的穿插展示，無法同步放大EE的探測效果。此外，兩個階段分別由兩個模型獨立控制，也增加了維護(hù)和迭代成本。

面對此一致性問題，升級了端到端打分與穿插方案。EE模型中建模的用戶瀏覽意圖，不僅影響EE探測的力度大小，也同時決定動態(tài)穿插展示的策略強弱。兩階段的決策過程端到端實現(xiàn)，將流量進(jìn)行更合理分配，寬泛意圖的用戶能夠達(dá)到探測更激進(jìn)、穿插更多的共振。

1、端到端動態(tài)穿插機制優(yōu)化點

端到端動態(tài)穿插機制在原有自適應(yīng)探索基礎(chǔ)上，升級點主要體現(xiàn)在如下三點：

（1）瀏覽深度預(yù)估精準(zhǔn)度升級：在EE探索偏好建模網(wǎng)絡(luò)Explore-net基礎(chǔ)上，提升瀏覽深度預(yù)測精準(zhǔn)度。

（2）EE流量精準(zhǔn)化分配：根據(jù)session瀏覽深度分布，動態(tài)分配各深度下穿插商品量，提升EE穿插商品占比調(diào)控可操作性。

（3）模型打分與動態(tài)穿插數(shù)量端到端一致性增強：采用EE主模型的瀏覽深度，映射得到當(dāng)前session下穿插商品數(shù)量，端到端解決EE穿插商品數(shù)量與EE商品打分兩個任務(wù)，提升兩階段一致性。

2、方案實踐

在EE自適應(yīng)探索機制基礎(chǔ)上，端到端動態(tài)穿插機制對原有動態(tài)穿插機制進(jìn)行了如下優(yōu)化與升級：

（1）動態(tài)穿插機制端到端建模

①瀏覽深度預(yù)估任務(wù)優(yōu)化

瀏覽深度代表了用戶在session下的瀏覽意愿，是EE流量進(jìn)行合理分配的基礎(chǔ)性指標(biāo)。在不同瀏覽深度的session下，匹配適合數(shù)量的EE商品能在保障效率的前提下提升搜索結(jié)果豐富性。

進(jìn)一步優(yōu)化了自適應(yīng)探索模型中Explore-Net對瀏覽深度預(yù)估子任務(wù)的準(zhǔn)確性，對其輸出的瀏覽深度預(yù)估值進(jìn)行評估，其準(zhǔn)度明顯高于原有xgb模型，可以對原有xgb模型進(jìn)行替換。

②端到端建模瀏覽深度與模型打分

自適應(yīng)探索實驗中使用Explore-Net對模型打分進(jìn)行差異化探索，其中的瀏覽深度預(yù)估任務(wù)可以沿用到穿插商品數(shù)量任務(wù)中，使模型具有端到端建模兩個子任務(wù)的能力。

（2）合理設(shè)計瀏覽深度與穿插商品數(shù)量映射

在準(zhǔn)確預(yù)估瀏覽深度的情況下，通過將瀏覽深度預(yù)估值映射到穿插數(shù)量中，保障穿插數(shù)量與模型打分一致性，在更深的session下有更多的商品穿插數(shù)量和更強的探測力度。

3、升級效果

（1）動態(tài)穿插效果分析

①瀏覽深度預(yù)測準(zhǔn)度分析：

對比兩模型的瀏覽深度預(yù)估準(zhǔn)確性，使用均方根對數(shù)誤差(Root Mean Squared Logarithmic Error, RMSLE)指標(biāo)進(jìn)行衡量

結(jié)論：在同樣的驗證集下，Explore-net模型的預(yù)估精度明顯優(yōu)于原模型。

②探索打分、動態(tài)穿插一致性效果分析：

檢查各瀏覽深度下base與test兩個機制下各瀏覽深度下預(yù)設(shè)的插入商品曲線和穿插商品數(shù)量分布圖。

結(jié)論：

• 比較藍(lán)色(test)與黃色(base)兩根實線，在較淺的session下，新舊機制穿插商品數(shù)量基本持平;在較深的session下，新機制相較于舊機制插入商品數(shù)量更多，體現(xiàn)了探索較強時新的穿插機制會探索更多商品。
• 通過藍(lán)色實線與虛線，黃色實線與虛線兩組曲線對比，新穿插機制下預(yù)期插入數(shù)量曲線與實際插入數(shù)量曲線更貼合，說明穿插數(shù)量設(shè)定更為合理，新的穿插機制與商品打分一致性更強。

（2）線上效果

搜索效率持平情況下，EE核心指標(biāo)有一定提升并全量上線。

流量整體聯(lián)動優(yōu)化思考：

在對EE流量進(jìn)行整體優(yōu)化后，商品探索力度與EE流量分配能夠隨用戶瀏覽意愿進(jìn)行自適應(yīng)調(diào)整，但從全局商品展示結(jié)果中看，EE探測流量與自然流量相互獨立，兩者之間并未建立充分的聯(lián)動與結(jié)合。

將視角逐漸放寬到整個排序鏈路，如何做好EE流量與自然流量的聯(lián)動，發(fā)揮EE在搜索排序鏈路后置位的優(yōu)勢充分補充與優(yōu)化自然流量是下一個關(guān)心的問題。

四、感知上下文的品牌店鋪維度探測

在搜索鏈路中，EE處于相對后置的位置，然而原EE系統(tǒng)未充分利用這一感知優(yōu)勢，對前序排序結(jié)果感知能力較弱。在一些強勢品牌、店鋪主導(dǎo)的關(guān)鍵詞下，存在頭部品牌、店鋪扎堆現(xiàn)象，優(yōu)質(zhì)新品、中長尾商品無法露出，馬太效應(yīng)明顯。

對此問題，嘗試跳出僅考慮商品維度探測的局限，從更高的品牌、店鋪維度視角，對排序結(jié)果進(jìn)行全局性聯(lián)動優(yōu)化，建立感知上下文的多維度探測能力。其設(shè)計旨在增強對上下文排序結(jié)果的感知能力，并在自然流量中對商品分布進(jìn)行聯(lián)動優(yōu)化，系統(tǒng)性緩解排序鏈路的馬太效應(yīng)。

1、感知上下文的多維度探測機制優(yōu)化點

感知上下文的多維度探測機制在原有EE探測能力基礎(chǔ)上，進(jìn)行了如下三個方面的優(yōu)化：

（1）新增EE探測系統(tǒng)對上下文感知能力：對EE前的排序上下文結(jié)果進(jìn)行充分的感知，對自然流量下原有搜索排序結(jié)果進(jìn)行自適應(yīng)的穿插優(yōu)化。

（2）實現(xiàn)EE探測維度的擴展：除了現(xiàn)有支持的商品粒度探測，從更宏觀的品牌、店鋪等維度視角對排序生態(tài)進(jìn)行優(yōu)化。

（3）EE流量與自然流量聯(lián)動全局性優(yōu)化：緩解部分詞下頭部品牌和店鋪扎堆現(xiàn)象，提升排序多樣性，避免對頭部品牌、店鋪商品進(jìn)行更多探測、加劇馬太效應(yīng)。

2、方案實踐

本次升級在原有的搜索EE穿插機制下進(jìn)行了如下能力的增強與優(yōu)化：

（1）新增上下文感知能力

在原有搜索EE穿插機制基礎(chǔ)上，新增加上下文感知能力，對搜索詞屬性和上下文排序結(jié)果的商品分布進(jìn)行計算，指導(dǎo)后續(xù)的穿插過程

①感知query詞屬性

為保障搜索排序結(jié)果合理性，避免產(chǎn)生體驗性問題，感知上下文能力將判斷query詞是否是品牌詞(如：華為)或型號詞(如：iphone)，決定是否開啟品牌維度探測；判斷query詞是否是精準(zhǔn)店鋪詞，決定是否開啟店鋪維度探測。

②排序結(jié)果商品分布

新增上下文排序結(jié)果感知能力，通過統(tǒng)計上鏈路搜索結(jié)果排名前k的商品中的品牌和店鋪的分布情況，判斷是否存在品牌或店鋪的集中現(xiàn)象，進(jìn)而決定是否開啟多維度探測能力。

（2）優(yōu)化原有穿插機制

在感知能力作為多維度探測啟動開關(guān)基礎(chǔ)上，優(yōu)化了原有的穿插機制，通過EE展示效果與自然流量結(jié)果聯(lián)動提升搜索結(jié)果豐富性與多樣性，對搜索結(jié)果進(jìn)行直接高效的影響。

①由感知能力模塊判斷用戶搜索意圖和商品分布，決定是否進(jìn)行多維度探測

對用戶搜索意圖直接的搜索詞動態(tài)開啟多維度探測功能，如query為品牌詞或型號詞則不應(yīng)進(jìn)行品牌維度探測，如query為店鋪詞則不進(jìn)行店鋪維度探測，避免影響搜索結(jié)果的準(zhǔn)確性?？剂克阉鹘Y(jié)果的前k個商品的品牌/店鋪分布，判斷是否存在頭部品牌/店鋪扎堆的問題，當(dāng)同一品牌/店鋪下商品占比超過p%后，不再插入該類型EE商品。

②穿插結(jié)果優(yōu)化

如不再插入該類型EE商品，在候選商品中剔除該類型，其余商品按照EE打分結(jié)果插入到排序結(jié)果中，不影響EE穿插過程與穿插數(shù)量，保障EE穿插位置和展現(xiàn)效果合理性。

3、升級效果

（1）多維度探測效果分析

①EE穿插曝光占比分析：

在EE穿插過程中，由于部分EE模型打分較高的頭部品牌/店鋪的商品在EE候選商品中被剔除，剩余商品模型打分稍低導(dǎo)致穿插位置發(fā)生后移或無法穿插進(jìn)排序結(jié)果中，為了避免EE穿插曝光占比降低，提升了各瀏覽深度下EE穿插商品的配額。實驗期間EE曝光占比base與test基本持平。

②多維度探測體驗分析：

下面對比了多款熱詞下EE穿插商品情況。

結(jié)論：在多組query詞下，test機制相較于base機制在穿插的過程中減少了頭部品牌/店鋪的插入，增強了展示結(jié)果的豐富性，緩解馬太效應(yīng)；同時注意到test機制由于部分頭部品牌/店鋪商品被濾除，穿插位置相對有所后移，在排序靠后的位置受配額影響多插入1-2個商品，整體曝光量與base基本一致，與分析一的結(jié)論一致。

（2）線上效果

在保持搜索效率持平的情況下，多樣性指標(biāo)大幅提升并全量上線。

五、總結(jié)與展望

本文重點闡述了在搜索EE機制迭代過程中的思考與演進(jìn)歷程，搜索EE作為優(yōu)化搜索生態(tài)與緩解搜索馬太效應(yīng)的重要工具，在演進(jìn)過程中也圍繞搜索結(jié)果豐富性和體驗性進(jìn)行了系統(tǒng)性優(yōu)化。

在優(yōu)化思路上，不斷尋找EE系統(tǒng)的瓶頸問題，在自適應(yīng)探索機制和建模方式升級提供差異化商品探索力度；將商品打分與穿插商品個數(shù)進(jìn)行聯(lián)動，端到端優(yōu)化EE流量分配問題；之后將視野擴展到全局流量，通過多維度探索機制聯(lián)動自然流量，使EE流量作為自然流量的互相補充。整體思路體現(xiàn)出從商品間探索打分優(yōu)化——EE流量個性化分配——與自然流量全局優(yōu)化的迭代進(jìn)程。

搜索EE后續(xù)還將面臨更多的問題和挑戰(zhàn)，后續(xù)會繼續(xù)沿用這樣的迭代思路在更多方面進(jìn)行探索與深入：

• 擴展EE模型的訓(xùn)練樣本空間，優(yōu)化現(xiàn)有任務(wù)建模方案。
• 搜索EE向更廣鏈路輻射，打造全鏈路EE探索能力。
• EE覆蓋更廣商品建模，打造更完善的中長尾商品泛化表征。