Ranking Relevance小结

Ranking Relevance是搜索排序算法的各个影响因子中相当重要的一个部分。对于Ranking Relevance的计算，过去的技术往往分为两个大的方向：Click Behavior和Text Match。

1. Click Behavior类的feature

主要是利用用户的点击行为来计算query-doc relevance，直观上，点击越多的query-doc pair，relevance也越高，当然Click Behavior类的feature还包括：是否是首次点击，是否是最后一次点击，是否是唯一点击，等等。

但是Click Behavior类的feature的缺点也显而易见：

1）Sparsity。只有“有过点击”的query-doc pair，我们才可以计算它们的relevance，而对那些历史上根本没有过点击的query-doc pair，往往束手无策。

2）Noisy。另外一个更常见的问题是，对于长尾的query-doc pair，展现数和点击数过少，所以得到的query-doc的展现CTR等数据噪音较大，虽然也可以通过贝叶斯平滑的方式来缓解（详见博客：http://www.cnblogs.com/bentuwuying/p/6389222.html，和http://www.cnblogs.com/bentuwuying/p/6498370.html）。

总结来看，Click Behavior类的feature，对于Top的query-doc pair（即展现次数&点击次数较多）比较可靠，对于长尾的，甚至是没出现过的query-doc pair，则不太可靠。

2. Text Match类的feature

包括Term Match（term级别的匹配），和Topic Match（语义级别的匹配）。Text Match并不受到query-doc的展现次数和点击次数的多少的影响，即当query和doc确定后，这类feature的值就确定了（当然前提是采用相同的模型计算的），并不会随着时间的推移而改变，是一种静态的relevance关系。

2-1. Term Match

包括：直接根据query和doc的term进行各种匹配，各种计算得到，比如，词频（term frequency），TF-IDF，布尔模型，空间向量模型（将query和doc各自分词后的term组成一个共享的词典vector，然后各自表示成相同维度的vector，计算相似度），BM25，query与doc各个field的term级别重叠比例（重叠term个数占query term个数的比例，重叠term个数占doc各个field的term个数的比例，query-doc的N-gram重叠比例，query能覆盖doc的N-gram prefix的比例，query-doc是否perfect match）等。

Term Match的缺点在于：

1) 无法解决近义词的问题，由于是term级别的匹配，那么近义词虽然表达的意思近似，但是却无法匹配，或者说在向量空间上距离很远，即无法表达近义词。

2）query和doc上的term的语法表达的区别，例如query中的“how much”与doc中的“price”，意思虽然近似，但是存在语法语义上的区别。

2-2. Topic Match

包括：一般是将query和doc都映射到一个隐含层空间向量上（隐语义空间），然后基于这个隐含层空间上的vector计算相似度，一般可以用pLSA，或者LDA等NLP模型来处理）

Topic Match的缺点在于，解释性较差，不同于Term Match中我们把query和doc切分到term级别，解释性较强，而在Topic Match中，映射到隐语义空间上时，vector每个维度表达的意思并不知道，不利于验证和debug。

p.p1 { margin: 0.0px 0.0px 0.0px 0.0px; font: 12.0px ".PingFang SC"; color: #454545 }
span.s1 { font: 12.0px "Helvetica Neue" }