移动电商搜索个性化技术
移动端搜索流量保持高速增长，移动搜索与桌面搜索互为补充，使得消费者的网购行为得以进一步普及化和深入化。本次演讲主要介绍淘宝搜索技术如何思考移动端 搜索带来的技术挑战，如何来结合移动端设备私有化，使用时间碎片化，输入模式的多样化，交互方式的便捷化等特点来优化移动端搜索，及个性化在移动搜索中的应用。
图1
图1是移动视角的基本结构图。
图2
图2是移动搜索产品形态。
个性化体系结构
个性化搜索面临的挑战有很多：
大数据，稀疏，长尾，噪音：
淘宝上海量的商品，针对个体而言，发生行为的商品有限， 稀疏度在百万分之一，甚至更低。
用户行为模式的挖掘和利用：
网购行为的复杂性，如何准确的描述用户的兴趣和特色，包括长短期兴趣等？ People change over time。
冷启动：
新用户，新商品。
多样性与精确性的两难困境：
Interestingness v. relevance ，Need Serendipity
用户界面与用户体验：
个性化体验的可解释性。
系统的挑战性
评估的挑战性
个性化搜索误区：
千人千面并非意味着，去追求单纯个体的个性化体验，个性化搜索是立足于提升整体用户的个性化体验；
Personalization != customization；
勿忘行为建模的基本假设——hypothesis： 接受商品 à 接受他得所有属性；
过度个性化——搜索场景的个性化：“to personalize or not to personalize “，Explore & Exploitation ；
主观性 vs. 客观性——“data driven”，购物行为所表现的个性化特点 ！= 用户的物理个性化特征。
图3
图3展示了个性化技术的魅力。
图4
图4是鸟瞰个性化体系。
图5
图5为个性化体系框图。Offline：离线模型训练数据收集，过滤, 聚合，特征ID化，利用batch-learning产出nearline环节，online环节所需要的模型。Near-line：
构建于流式计算体系的实时日志解析，行为特征抽取，聚合，实时用户profile预测，实时人群-商品累积行为特征计算，离散化处理；更新在线排序计算依赖的实时字段，UPS中实时userprofile字段，引擎中的商品正排字段；构建基于mini-batch的在线学习模型，增强系统的适应新数据的能力和explore能力； 实时反作弊。Online：各个排序维度模型的在线预测；多个排序因素的在线融合；EE 策略。
个性化体系的移动元素：
查询意图——时间，地点，逛/搜；pull or push。
用户肖像——移动端特色数据；跨屏行为建模，实时肖像特征。
P（满意|query,用户，商品）。
实时个性化。
E&E。
Query/User 意图识别
图6和图7是Query/User 意图识别，
图6
图7
图8
图8为Query 的隐含个性化需求。
个性化数据