阿里巴巴-淘宝搜索排序算法学习

模型效能：模型结构优化

模型效能：减枝

FLOPS：每秒浮点运算的次数

模型效能：量化

基于统计阈值限定，基于学习阈值限定。

平台效能：一站式DL训练平台

平台效能：搜索模型的系统流程

协同关系：一天全量训练后，把之前流模型训练参数全部覆盖掉，第二天流模型，在批模型的基础上再开始增量训练，基本上就是这么一个模式。
部署完：一次请求后，对5000个doc进行打分，user的特征是一样的，同一个用户，对于用户特征一次运算就可以了。考虑到存储的效率和量化的处理。

系统创新：端云联动的排序系统

端智能：把神经网络部署到用户的手机上，用户的实时行为，非常实时的行为，秒级实时行为，在下次发起请求之前，没办法利用实时，所以要部署到手机端上。
用户产生的细粒度的数据量是非常大的，不太适合全部上传到云上面，比较敏感的用户信息。
在用户不断的曝光点击，这样的下滑浏览的过程中，感知用户个性化行为，从而对手机上缓冲池中，未曝光的商品排序进行一个更新。

搜索推荐（Search Recommendation）是指在用户搜索过程中，系统根据用户的搜索历史、浏览历史、搜索关键词等因素，提供相关的搜索建议和推荐结果。这些推荐结果可以帮助用户快速找到所需的信息，提高用户体验。
SRP行为（Search Result Page behavior）是指用户在搜索结果页面（Search Result Page， SRP）上的行为，例如点击搜索结果、滚动页面等。这些行为可以作为反馈，帮助搜索引擎优化搜索结果的排序和推荐。

端上排序模型设计

名称解释

PointWise：PointWise对单个特征排序打分
ListWise： 对一组特征排序打分
GAUC（Gini normalized Area Under the ROC Curve）：是在广告点击率预测中广泛使用的一种性能度量标准。 它通过对预测结果排序并计算ROC曲线下的面积来衡量分类器的性能。
CTR_GAUC:CTR_GAUC指的则是根据GAUC进行加权处理得到的用于评估广告点击率预测模型性能的指标，通常用于评估线上广告推荐系统的性能。它同时考虑到CTR和GAUC，以CTR为权重对GAUC进行加权平均计算，能够更全面地反映广告推荐模型的性能（来自CHAT_GPT的解答）

要点

在端上格式转化后，存储量更低

参考资料

https://www.bilibili.com/video/BV1QS4y1j7yK/?spm_id_from=333.337.search-card.all.click （淘宝搜索排序算法）