揭秘大众点评内容搜索算法：优化之路与实践经验

在本地生活服务领域，大众点评凭借其丰富的图文视频内容供给，成为了用户查找本地信息、辅助决策的重要平台。然而，随着用户需求的日益多样化和内容供给的快速增长，内容搜索算法面临着前所未有的挑战。本文将围绕大众点评内容搜索算法的优化之路，展开深入探讨与实践经验的分享。

一、现状与挑战

大众点评在积累了大量图文视频内容的同时，也面临着内容供给量级大、更新频繁、用户行为分散等问题。此外，内容搜索还具有强烈的地域约束，需要满足用户查找附近商户和内容的需求。相比网页搜索、电商搜索等典型搜索类型，内容搜索在优化目标、地域约束、供给类型等方面存在显著差异，这要求我们必须结合自身特点，进行相应的技术选型和方案设计。

二、供给理解：标签与隐式表征

面对用户持续创作生产的海量内容，我们需要对其进行充分理解。这包括显式标签和隐式表征两部分工作：

• 显式标签：构建分发前台后台两套标签体系，实现前后台类目的灵活映射。类目标签关注内容的主要分类，细粒度标签则进一步刻画内容的细节特征，如主题标签、概念标签等。属性标签则侧重于内容本身的特性，如是否涉政涉黄、是否重复等。

• 隐式表征：除了显式标签，分发链路中还需要更加泛化的隐式表征。大众点评自研了多模态预训练模型，通过引入对比损失将图文表征对齐到统一特征空间，并结合自监督对比学习、掩码学习、图文匹配等优化技术，提升了跨模态交互效果。

三、召回环节：语义与个性化

召回是搜索链路的最前置环节，决定了搜索查询所能拿到的候选总集合。大众点评在召回环节进行了多维度设计：

• 语义召回：通过不同颗粒度的语义单元召回，对用户需求进行细化和泛化处理，确保结果的相关性。

• 个性化召回：结合用户地理偏好、特定区域偏好与用户历史消费内容相似度等，设计召回通路满足个性化需求。个性化召回融入了用户偏好、上下文等信息，提高了搜索结果的个性化水平。

四、排序环节：多目标融合与异构混排

排序环节包括粗排、精排、多目标融合排序、异构混排等多个阶段。随着逐层筛选，打分量级依次减小，可以使用结构更复杂、规模更大的模型：

• 粗排：介于召回和精排之间，需要兼顾准确性和全面性，同时权衡打分能力和时延性能。通过引入用户在全域的行为样本、表征蒸馏、分数蒸馏和顺序蒸馏等方法，提升模型表达能力。

• 精排：在输入表征层，对Query、用户、Doc、上下文等多种维度、各种粒度、各种来源的输入信息进行准确刻画。引入Query语义表征、用户序列表征、多模态表征等，提高模型的表达能力。在多目标建模层，采用MMoE和PPNet融合方案，解决优化过程中的跷跷板问题。

五、实际应用与成效

通过持续优化内容搜索体验，大众点评不仅带来了更多的内容消费流量，还吸引了更多的用户转化为作者，激励创作出更多的内容。这种良性循环进一步提升了用户体验和社区氛围。从实际效果来看，内容搜索的价值得到了用户的广泛认可。

六、未来展望

未来，大众点评将继续深化内容搜索算法的优化工作，探索更多创新技术和方法。同时，也将加强与用户的互动和反馈机制，不断优化搜索体验，满足用户日益多样化的需求。我们期待通过不懈努力，将大众点评建设成为更加完善的本地吃喝玩乐社区。

通过本文的探讨，我们希望能够为关注内容搜索算法优化的读者提供一些有益的参考和启示。在未来的技术道路上，我们将继续前行，为用户带来更加优质、便捷的服务体验。