導讀： 向量化在業界的運用越來越廣，近期也有許多文章分享過相關的主題。嚴選於18年下半年開始探索向量化在搜索推薦場景中的運用，從最開始基於商品召回用戶的任務到後續的搜索召回、搜索個性化排序、搜索底紋、搜索發現詞、搜索建議詞、跨類目推薦、推薦召回、多興趣召回、通用排序、端智能重排等等，我們不斷拓寬向量體系在嚴選的運用，在這過程中一點點迭代與沉澱。本文將從模型算法和落地運用等角度做簡要介紹，希望能給讀者一些啓發。
01 向量體系
上圖是對嚴選向量體系的一個概覽。引言中說了那麼多運用場景，第一眼看會覺得有些場景之間跨度蠻大，但是仔細考慮一下我們會發現，其實電商場景的大部分任務（包含以上所述的）都是在做對象之間的匹配，可能是商品和人的匹配，可能是檢索詞和商品的匹配，可能是用戶和檢索詞的匹配等等。
於是，擺在我們面前的問題就是如何把我們目前遇到的以及將來會遇到的對象進行一個比較好的表徵並刻畫對象之間的相似度，其本質是學習出各個對象在同一個空間中距離的刻畫。
如果我們把各個對象都學習到同一個空間，那麼這些對象之間的組合幾乎能覆蓋各種運用場景，例如我們擁有用戶(U)、商品(I)、檢索詞(Q) 的表徵，僅僅是這三者的組合就可以有例如U2I、Q2I、I2Q、Q2Q、U2Q、I2I等等，我們進一步擴展類目、專題等等的表徵之後能覆蓋的場景就更多了。
原文鏈接:【https://www.infoq.cn/article/zwZYbsXFxzGvwCNmUeNv】。未經作者許可，禁止轉載。