使用语义模型和场景感知NLP的个性化搜索优化以改进搜索结果
译者 | 李睿
审校 | 重楼
本指南展示了如何使用Hugging Face的Transformer模型构建语义搜索引擎，以提供更精确、更贴合场景的搜索结果。
你也许会好奇，像谷歌这样的搜索引擎是如何将“预算友好的度假胜地”（budget-friendly vacation spot）和“廉价的旅游地点”（cheap places to travel）等短语解释为基本相同的查询？这正是语义搜索的强大之处。传统搜索引擎严重依赖于精确的关键字匹配，它们只查找包含查询中输入的确切单词的文档或结果。例如，你如果搜索“预算友好的度假胜地”，基于关键字的搜索引擎只会返回包含这些确切词汇的结果。然而，这种方法在理解人类语言的细微差别方面存在不足，例如同义词、不同的措辞或单词背后的意图。
例如，一个用户可能搜索“负担得起的海滩度假村”（affordable beach resorts），而另一个用户可能搜索“价格低廉的海滨酒店”（cheap seaside hotels）。这两个查询都涉及类似的住宿类型，但由于措辞不同，传统搜索引擎可能无法有效地将这两个搜索联系起来。
这就是语义搜索的用武之地。与传统的基于关键字的搜索不同，语义搜索引擎理解单词背后的含义，而不仅仅是单词本身。它们能够认识到，像“负担得起”（affordable）、“廉价” （cheap）、“便宜”（inexpensive）和“预算友好”（budget-friendly）等术语都指的是同一个概念：经济实惠的旅行选择。同样，它们也可以理解“海滨度假村”（beachfront resort）和“海滨酒店”（seaside hotel）在概念上是相似的，尽管它们采用不同的词语来表达。
在本指南中，将使用Hugging Face Transformer为旅游住宿领域构建一个生产就绪(Production-ready)的语义搜索引擎。其目标是创建一个能够解释用户查询并返回最相关结果的系统，考虑查询的语义含义，而不仅仅是精确的关键字匹配。此外，还将整合场景相关性，例如用户对住宿地点、价格、评级和季节性需求的偏好，以创建高度个性化和有效的搜索体验。
什么是语义搜索？
从本质上来说，语义搜索是通过关注意义和场景而不是简单地匹配关键字来改善搜索体验。传统的搜索引擎将查询视为文字字符串，与输入的单词完全匹配。这种方法通常不能考虑到查询可能表达的各种方式或用户意图的细微差别。
另一方面，语义搜索引擎查看查询背后的意图，并尝试检索与用户搜索内容在语义上相似的结果。语义搜索引擎不是简单地将查询与确切单词进行匹配，而是试图理解所涉及单词和短语的含义。
例如，考虑以下搜索查询：
[*]“加利福尼亚州最好的海滩度假村”
[*]“洛杉矶附近的顶级海岸度假村”
[*]“南加州的海滨豪华酒店”
虽然措辞不同，但所有这些查询都可能指的是类似的住宿类型——位于美国加利福尼亚州的海滩或海滨度假胜地。语义搜索引擎会识别出“海滩度假村”（beach resort）、“海岸度假村”（coastal resort）和“海滨豪华酒店”（seaside luxury hotel）等表述在概念层面的高度相似，即使它们并不使用完全一致的关键字。通过理解这些术语背后的含义，语义搜索引擎可以根据与用户意图的相关性对结果进行排序。
语义搜索过程序列图
此图概述了语义搜索引擎工作流中的事件序列，突出显示了系统如何处理用户查询并返回语义相关的结果。
语义搜索是如何工作的？
语义搜索依赖于一些关键原则和技术，使其能够根据含义而不是精确的关键字匹配来理解和排名结果：
1.单词嵌入和句子嵌入
单词嵌入是一个向量（一组数字），它以一种反映其语义的方式表示一个单词。当两个单词在语义上相近或相似时，它们的嵌入向量也会呈现出相似性，例如“汽车”（car）和“机动车”（automobile），这意味着它们的向量表示将在多维空间中彼此接近。
更高级的模型，如句子嵌入，将整个句子或短语表示为向量。这很有用，因为它不仅可以比较单个单词，还可以比较整个查询或文档。这些嵌入是使用Transformer生成的，例如Hugging Face提供的Transformer模型，这些模型已经在大型文本数据集上进行了预训练，并且能够理解单词、短语和句子之间的语义关系。
2.场景理解
与传统的基于关键字的搜索不同，语义搜索模型包含查询的场景。这意味着搜索引擎会考虑同义词、词序，甚至单词之间的隐含关系，以提供更准确和场景相关的结果。
例如，如果用户搜索“加利福尼亚便宜的海滩度假村”，搜索引擎可以根据场景扩展“廉价”一词的含义，包括“负担得起”、“预算友好”或“便宜”等相关术语，从而产生更相关的搜索结果。
3.向量空间模型
一旦将查询转换为嵌入，搜索引擎就会将其与表示潜在结果（如旅行住宿信息或文档）的嵌入数据库进行比较。这种比较是通过计算向量之间的余弦相似度或欧几里得距离来完成的，以此来评估查询与数据库中各个项目之间的语义相似程度。
当两个向量的距离越近时，就意味着查询与对应结果在语义层面上的匹配度越高。这允许系统根据语义相关性对结果进行排序，而不是简单地匹配关键字。相似度得分最高的结果将会展示给用户。
4.检索和排序
在将查询嵌入与潜在结果的嵌入进行匹配之后，搜索引擎会根据这些结果与查询之间的语义相似度，对搜索结果进行排序。首先显示相似度最高的结果。为了进一步增强相关性，生产就绪的语义搜索引擎可以综合考量其他排名因素，例如用户的个人偏好（例如价格范围和位置的特定要求）、评级和季节性（例如，夏季与冬季的旅行偏好）。
传统搜索面临的问题
考虑一个用户搜索住宿信息的旅游平台。以下是传统关键字搜索中的一个常见问题：
Python 1 # Traditional keyword-based search2 destinations = 78 def basic_search(query):9 return .lower()]1011 # Search for "cheap hotels"12 results = basic_search("cheap hotels")13 print(f"Found results: {len(results)}")# Output: Found results: 014
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
尽管有多种经济实惠的选择，但搜索失败了，因为：
[*]它缺乏对同义词的理解（例如，“廉价”、“预算友好”和“负担得起”）。
[*]它忽略了场景（住宿类型）。
[*]它不能处理语义变化。
构建更好的解决方案：TravelSearchAI
以下利用Hugging Face的Transformer和现实世界的数据，为旅游平台创建一个全面的语义搜索引擎。
1.设置数据结构
首先设置定义住宿的一个数据结构：
Python 1 from dataclasses import dataclass2 from typing import List, Optional3 from datetime import datetime4 import numpy as np5 from transformers import AutoModel, AutoTokenizer67 @dataclass8 class Accommodation:9 id: str10 name: str11 description: str12 location: str13 price_per_night: float14 amenities: List15 reviews: List16 rating: float17 embedding: Optional = None1819 def to_searchable_text(self) -> str:20 """Combine all relevant fields into searchable text."""21 amenities_text = ", ".join(self.amenities)22 reviews_text = " ".join(self.reviews[:5])# Use first 5 reviews23 return f"{self.name} in {self.location}. {self.description}. " \24 f"Features: {amenities_text}. Guest reviews: {reviews_text}"2526class AccommodationProcessor:27 def __init__(self, model_name: str = "sentence-transformers/all-MiniLM-L6-v2"):28 self.tokenizer = AutoTokenizer.from_pretrained(model_name)29 self.model = AutoModel.from_pretrained(model_name)30 31 def create_embedding(self, text: str) -> np.ndarray:32 """Create an embedding for text using Hugging Face model."""33 inputs = self.tokenizer(text, return_tensors="pt", 34 max_length=512, truncation=True, padding=True)35 outputs = self.model(**inputs)36 return outputs.last_hidden_state.mean(dim=1).detach().numpy()37
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
[*]32.
[*]33.
[*]34.
[*]35.
[*]36.
[*]37.
[*]38.
2.构建搜索引擎核心
接下来，将创建搜索引擎的核心部分，它将向量相似性和场景感知相结合：
Python 1 import faiss2 from dataclasses import dataclass3 from typing import List, Tuple45 @dataclass6 class SearchResult:7 accommodation: Accommodation8 score: float9 relevance_factors: dict1011class TravelSearchEngine:12 def __init__(self, embedding_dim: int = 384):13 self.index = faiss.IndexFlatL2(embedding_dim)14 self.accommodations: List = []15 self.processor = AccommodationProcessor()16 17 def add_accommodations(self, accommodations: List, 18 batch_size: int = 32):19 """Add accommodations to the search index with batching."""20 for i in range(0, len(accommodations), batch_size):21 batch = accommodations22 embeddings = []23 for acc in batch:24 text = acc.to_searchable_text()25 acc.embedding = self.processor.create_embedding(text)26 embeddings.append(acc.embedding)27 28 vectors = np.vstack(embeddings)29 self.index.add(vectors)30 self.accommodations.extend(batch)3132 def _expand_query(self, query: str) -> str:33 """Expand query with semantic variations."""34 expansions = {35 'cheap': ['affordable', 'budget', 'inexpensive'],36 'luxury': ['high-end', 'premium', 'upscale'],37 'beach': ['seaside', 'oceanfront', 'coastal'],38 'city': ['downtown', 'urban', 'metropolitan']39 }40 41 expanded = query42 for term, synonyms in expansions.items():43 if term in query.lower():44 expanded += f" {' '.join(synonyms)}"45 return expanded46
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
[*]32.
[*]33.
[*]34.
[*]35.
[*]36.
[*]37.
[*]38.
[*]39.
[*]40.
[*]41.
[*]42.
[*]43.
[*]44.
[*]45.
[*]46.
[*]47.
3.添加智能排名和过滤器
为了提高搜索结果的相关性，将实施场景排名：
Python 1 class SmartRanker:2 def __init__(self):3 self.price_ranges = {4 'budget': (0, 100),5 'mid-range': (100, 250),6 'luxury': (250, float('inf'))7 }8 9 def rank_results(self, results: List, 10 context: dict) -> List:11 """Rank results based on multiple factors."""12 for result in results:13 score_adjustments = {14 'price_match': self._calculate_price_match(15 result.accommodation, context.get('budget')),16 'rating_boost': result.accommodation.rating * 0.1,17 'location_relevance': self._calculate_location_relevance(18 result.accommodation, context.get('location')),19 'seasonal_boost': self._calculate_seasonal_boost(20 result.accommodation, context.get('date'))21 }22 23 # Combine scores24 result.score *= sum(score_adjustments.values())25 result.relevance_factors = score_adjustments26 27 return sorted(results, key=lambda x: x.score, reverse=True)28 29 def _calculate_price_match(self, 30 accommodation: Accommodation, 31 budget: float) -> float:32 if not budget:33 return 1.034 return 1.0 / (1.0 + abs(accommodation.price_per_night - budget))35 36 def _calculate_location_relevance(self, 37 accommodation: Accommodation, 38 target_location: str) -> float:39 if not target_location:40 return 1.041 # Implement location matching logic here42 return 1.043 44 def _calculate_seasonal_boost(self, 45 accommodation: Accommodation, 46 travel_date: datetime) -> float:47 if not travel_date:48 return 1.049 # Implement seasonal scoring logic here50 return 1.051
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
[*]32.
[*]33.
[*]34.
[*]35.
[*]36.
[*]37.
[*]38.
[*]39.
[*]40.
[*]41.
[*]42.
[*]43.
[*]44.
[*]45.
[*]46.
[*]47.
[*]48.
[*]49.
[*]50.
[*]51.
[*]52.
4.综合运用：一个完整示例
以下是如何利用语义旅游搜索引擎的方法：
Python 1 # Create sample data2 def create_sample_accommodations():3 return ,11 reviews=["Amazing beach views!", "Excellent service"],12 rating=4.813 ),14 Accommodation(15 id="2",16 name="Downtown Boutique",17 description="Affordable boutique hotel in city center",18 location="Portland, OR",19 price_per_night=149.99,20 amenities=["Free WiFi", "Restaurant", "Business Center"],21 reviews=["Great location!", "Perfect for business travelers"],22 rating=4.523 )24 ]2526# Initialize the search engine27engine = TravelSearchEngine()28ranker = SmartRanker()2930# Add sample accommodations31accommodations = create_sample_accommodations()32engine.add_accommodations(accommodations)3334# Example search function35def search_accommodations(query: str, context: dict = None):36 """37 Search accommodations with context awareness.38 39 Args:40 query: Search query (e.g., "beach resort near LA").41 context: Additional context (budget, dates, location preferences).42 """43 # Expand query44 expanded_query = engine._expand_query(query)45 46 # Get initial results47 results = engine.search(expanded_query, k=10)48 49 # Apply smart ranking50 if context:51 results = ranker.rank_results(results, context)52 53 # Display results54 for result in results:55 print(f"\n{result.accommodation.name}")56 print(f"Location: {result.accommodation.location}")57 print(f"Price: ${result.accommodation.price_per_night:.2f}/night")58 print(f"Rating: {result.accommodation.rating}⭐")59 print(f"Relevance Score: {result.score:.2f}")60 print("Relevance Factors:", result.relevance_factors)6162 # Example usage63 search_context = {64 'budget': 200,65 'location': 'California',66 'date': datetime(2024, 7, 1)67 }6869 search_accommodations("affordable beach resort", search_context)70
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
[*]31.
[*]32.
[*]33.
[*]34.
[*]35.
[*]36.
[*]37.
[*]38.
[*]39.
[*]40.
[*]41.
[*]42.
[*]43.
[*]44.
[*]45.
[*]46.
[*]47.
[*]48.
[*]49.
[*]50.
[*]51.
[*]52.
[*]53.
[*]54.
[*]55.
[*]56.
[*]57.
[*]58.
[*]59.
[*]60.
[*]61.
[*]62.
[*]63.
[*]64.
[*]65.
[*]66.
[*]67.
[*]68.
[*]69.
[*]70.
[*]71.
使用注意事项
1.性能优化
为了提高性能，可以实现缓存和优化索引策略：
Python 1 from functools import lru_cache23 class CachedSearchEngine(TravelSearchEngine):4 @lru_cache(maxsize=1000)5 def get_query_embedding(self, query: str) -> np.ndarray:6 """Cache query embeddings for frequent searches."""7 return self.processor.create_embedding(query)89 def optimize_index(self):10 """Convert to a more efficient index type for large datasets."""11 if len(self.accommodations) > 100000:12 # Convert to IVF index for better scaling13 nlist = int(np.sqrt(len(self.accommodations)))14 quantizer = faiss.IndexFlatL2(self.embedding_dim)15 new_index = faiss.IndexIVFFlat(quantizer, 16 self.embedding_dim, 17 nlist)18 new_index.train(self.get_all_vectors())19 new_index.add(self.get_all_vectors())20 self.index = new_index21
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
2.监控和分析
为了收集见解并提高性能，可以实施分析：
Python 1 class SearchAnalytics:2 def __init__(self):3 self.searches = []4 5 def log_search(self, query: str, results: List, 6 selected_result: Optional):7 """Log search data for analysis."""8 self.searches.append({9 'timestamp': datetime.now(),10 'query': query,11 'num_results': len(results),12 'top_result': results.accommodation.id if results else None,13 'selected_result': selected_result,14 'conversion': selected_result is not None15 })16 17 def get_metrics(self) -> dict:18 """Calculate key search metrics."""19 total_searches = len(self.searches)20 conversions = sum(1 for s in self.searches if s['conversion'])21 22 return {23 'total_searches': total_searches,24 'conversion_rate': conversions / total_searches if total_searches else 0,25 'zero_results_rate': sum(1 for s in self.searches 26 if s['num_results'] == 0) / total_searches27 }2829
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
[*]9.
[*]10.
[*]11.
[*]12.
[*]13.
[*]14.
[*]15.
[*]16.
[*]17.
[*]18.
[*]19.
[*]20.
[*]21.
[*]22.
[*]23.
[*]24.
[*]25.
[*]26.
[*]27.
[*]28.
[*]29.
[*]30.
最佳实践和技巧
创建一个健壮的语义搜索引擎需要持续关注各个方面。以下是确保有效操作和用户体验的最佳实践。
数据质量
[*]定期更新住宿数据：实施实时更新和定期审查系统，以保持数据的准确性。
[*]清理和规范化文本数据：使用一致的命名约定和NLP技术来标准化数据条目。
[*]保持标准化格式：为住宿表示和验证规则建立清晰的架构。
性能
[*]利用批处理：通过批量插入和异步处理优化更新。
[*]实现缓存：使用内存存储和查询结果缓存来加快响应时间。
[*]监控内存使用情况：使用分析工具密切关注内存使用情况，并随时准备根据需要扩展基础设施。
用户体验
[*]提供相关过滤器：允许用户通过设施、价格范围和评级进行过滤，以获得更加个性化的体验。
[*]解释排名决定：通过解释某些结果排名更高的原因来建立用户信任。
[*]实现自动建议：通过基于历史数据预测查询来增强用户交互。
增强路线图
为了不断改进搜索引擎，可以考虑以下改进：
[*]实现多语言支持：扩展功能，通过自动检测和翻译服务支持多种语言。
[*]添加图像相似性搜索：结合视觉搜索功能，使用户能够根据图像找到住宿场所。
[*]集成外部API：从第三方服务获取实时数据和用户评论，增强内容的丰富性。
[*]引入个性化：根据用户资料和过去的搜索个性化搜索结果。
[*]建立A/B测试框架：通过实验和用户反馈持续评估性能。
结论
本指南构建了一个生产就绪的语义搜索引擎，能够理解用户查询，并根据各种场景因素对搜索结果进行排序。利用Hugging Face的Transformer和智能排名方法，这一解决方案超越了简单的关键字匹配的局限，为搜索旅行住宿的用户提供高度相关和个性化的结果。通过遵循概述的最佳实践，并根据用户反馈和性能指标不断改进，可以创建一个在竞争日益激烈的环境中脱颖而出的搜索引擎。
原文标题：Personalized Search Optimization Using Semantic Models and Context-Aware NLP for Improved Results，作者：Venkata Gummadi
页:
[1]