搜索系统资料选读
[2024-02-08] 推荐系统公开课——8小时完整版，讲解工业界真实的推荐系统
自古搜索和推荐不分家。王树森老师的这个长达 8 小时的公开课，虽说讲的是小红书笔记的推荐系统，但对于搜索领域和其他内容形式也是同样适用的。这个公开课内容很干，王老师几乎没有半句废话，值得搬好小板凳认真听讲。
里面有一些工程方案和技术其实是过时或者效果不好的，所以不必认真研究每个技术知识点，毕竟技术方案是永远追不完的。重要的是思考这些技术和工程方法是源自什么问题，以及研究者当初是处在什么环境、用什么视角去审视和解决他所提出的问题。
后面有空出一期要点总结。为了避免我自己求全求细的恶习复发，可能尽可能迫使自己仅凭记忆口述，并且挑其中印象深刻的要点来写，而不是一字不落地原文整理。
最近王树森老师也开始陆续发“搜索引擎”的课了，我会持续跟进。
[2022-02-17] 美团搜索中查询改写技术的探索与实践 - 美团技术团队
这篇文章讲得很系统，尤其是基于业务实践，给出了各种方案的来龙去脉和优劣取舍，工程感满满。
摘要
本文主要介绍前一种解决漏召回的方案：在美团搜索的技术架构下，
NMT + 强化学习
因此要引入 NMT 做改写必须结合搜索的使用场景对以上两个问题（分词粒度引入的挖掘效率问题、语义相近不能对齐的复杂 Query 改写问题）做优化，目标是生成无意图漂移、能够产生实际召回影响的改写词。基于以上问题分析和思考，强化学习的过程是一个智能体（Agent）采取行动（Action）从而改变自己的状态（State）获得奖励（Reward）与环境（Environment）发生交互的循环过程。我们希望借助强化学习的思想，将预训练的 NMT 改写模型作为 Agent，在强化学习迭代的过程中其生成的改写（Action）通过搜索系统（Environment）产生最终的曝光和点击（Reward）来指导NMT优化模型参数（State）。
经过进一步调研，我们参考了 Google QA 系统[21]以及知乎的工作[22]，即通过强化学习的方法，把搜索系统当做一个 Environment，改写模型当做 Agent，从而将大搜的结果质量考虑进来。……结合 NMT 实际的表现，
着重学习下原文这个部分，是怎么定义强化学习模型中的环境和目标的。
最终，整个查询改写平台技术框架如下图所示： 
文末推荐了阿里巴巴的 AliCoCo，对词关系的研究更为充分，找来看看。
深入了解一个领域的方法之一，就是谷歌搜索几篇系统全面的好文，然后基于这些好文给出的参考文献顺藤摸瓜，无论是 DFS 还是 BFS 都可。比如上面王树森老师的视频里，就给了不少有空的参考文献。再比如这篇其实就是 Google 关键词“搜索召回”返回的第二条结果。