搜索场景下的智能实体推荐 - 陈溪

智能实体推荐在搜索场景下的应用

场景介绍及概览

• 场景介绍：实体推荐旨在推荐与用户查询相关的实体，并按不同维度进行聚合展示，涵盖影视、小说、通用等多种类型。
• 产品技术框架：包括基础数据（搜索日志、曝光点击）、底层能力（意图判断、实体消歧、实体识别）、应用场景（小说阅读、搜狗号、QB端等）、实体质量、原始日志、知识图谱、垂类灵犀内部资源、垂直网站doc内容、网页信息、文本理解、实体分类、知立方、垂类推荐结果页、搜索场景、小说阅读、搜狗号、QB端内其它场景、百科三方页面等模块。

实体推荐相关性

• 推荐结果特征：推荐结果被动且开放，用户查询主动明确，可能包含或不包含实体，涉及虚拟人物、影视、游戏、小说等类别。
• 搜索场景特征：查询词热度陡增时，纯文本识别难度大，需结合知识图谱补充多场景信息。
• 用户会话结合：通过分析用户会话内前序行为（如点击、浏览），辅助判断查询词指向的实体类别，提高预测准确性。
• 特征融合：融合搜索场景特征（如BERT、EMBLOOKUP）、知识图谱特征（实体属性）、用户前序行为特征，更准确预测查询词应呈现的实体类别。

稀疏数据下的实体召回

• 数据稀疏性：查询词稀疏（冷门查询词、新查询词）和实体稀疏（热门实体重复推荐、长尾实体激活）。
• 查询词转化：通过Q2Q（Query-to-Query）方法（itemCF、IR、SR）转化召回能力强、相似度高的查询词补充召回，如将“谷爱琳滑雪”转化为“谷爱凌个人简介”。
• 实体召回策略：结合别名字典、知识图谱属性、搜索行为、百科展现点击、NER实体识别、实体链接等技术。
• 实体embedding泛化：通过GraphSAGE模型引入邻居节点信息丰富表征，缓解冷启动问题；结合EGES（Entity Graph Embedding with Side Information）模型，补充实体sideinfo（类别、上位词、关键词）并动态调节特征权重，提升泛化能力。
• 模型演进：从GraphSAGE到GAT（Graph Attention Network），通过Sample（采样策略）、Aggregate（聚合机制）优化，提升召回效果。

多领域多场景下的实体推荐

• 多维度特征建设：QUERY维度（关键词、意图、需求多样性）、实体维度（质量、历史表现、搜索结果页特征）、一起向未来联合维度（历史表现、相关性、query-实体觉察度）。
• 多领域模型建设：针对不同实体属性提取不同特征（影视、人物等），采用MainTower+各类别Tower结构，保证通用特征训练充分并发挥类别针对性特征作用。
• 多场景维度细化：通过细化知识图谱中的实体类别体系（一级类别→二级类别→实体）和概念体系（领域→概念→实体），辅助理解推荐逻辑，帮助用户了解同类实体。