移動電商搜索個性化技術
移動端搜索流量保持高速增長，移動搜索與桌面搜索互為補充，使得消費者的網購行為得以進一步普及化和深入化。本次演講主要介紹淘寶搜索技術如何思考移動端 搜索帶來的技術挑戰，如何來結合移動端設備私有化，使用時間碎片化，輸入模式的多樣化，交互方式的便捷化等特點來優化移動端搜索，及個性化在移動搜索中的應用。
圖1
圖1是移動視角的基本結構圖。
圖2
圖2是移動搜索產品形態。
個性化體系結構
個性化搜索面臨的挑戰有很多：
大數據，稀疏，長尾，噪音：
淘寶上海量的商品，針對個體而言，發生行為的商品有限， 稀疏度在百萬分之一，甚至更低。
用戶行為模式的挖掘和利用：
網購行為的復雜性，如何準確的描述用戶的興趣和特色，包括長短期興趣等？ People change over time。
冷啟動：
新用戶，新商品。
多樣性與精確性的兩難困境：
Interestingness v. relevance ，Need Serendipity
用戶界面與用戶體驗：
個性化體驗的可解釋性。
系統的挑戰性
評估的挑戰性
個性化搜索誤區：
千人千面并非意味著，去追求單純個體的個性化體驗，個性化搜索是立足于提升整體用戶的個性化體驗；
Personalization != customization；
勿忘行為建模的基本假設——hypothesis： 接受商品 à 接受他得所有屬性；
過度個性化——搜索場景的個性化：“to personalize or not to personalize “，Explore & Exploitation ；
主觀性 vs. 客觀性——“data driven”，購物行為所表現的個性化特點 ！= 用戶的物理個性化特征。
圖3
圖3展示了個性化技術的魅力。
圖4
圖4是鳥瞰個性化體系。
圖5
圖5為個性化體系框圖。Offline：離線模型訓練數據收集，過濾, 聚合，特征ID化，利用batch-learning產出nearline環節，online環節所需要的模型。Near-line：
構建于流式計算體系的實時日志解析，行為特征抽取，聚合，實時用戶profile預測，實時人群-商品累積行為特征計算，離散化處理；更新在線排序計算依賴的實時字段，UPS中實時userprofile字段，引擎中的商品正排字段；構建基于mini-batch的在線學習模型，增強系統的適應新數據的能力和explore能力； 實時反作弊。Online：各個排序維度模型的在線預測；多個排序因素的在線融合；EE 策略。
個性化體系的移動元素：
查詢意圖——時間，地點，逛/搜；pull or push。
用戶肖像——移動端特色數據；跨屏行為建模，實時肖像特征。
P（滿意|query,用戶，商品）。
實時個性化。
E&E。
Query/User 意圖識別
圖6和圖7是Query/User 意圖識別，
圖6
圖7
圖8
圖8為Query 的隱含個性化需求。
個性化數據