简化图书发现：基于机器学习的视觉自动补全建议
每天，数百万客户在各类平台上搜索各种格式的图书（有声书、电子书和实体书）。传统的关键词自动补全建议虽然有用，但通常需要多个步骤才能让客户找到想要的内容。某机构致力于让图书发现过程更直观、更具个性化，同时减少购买步骤。
我们开发了一个即时视觉自动补全系统，以增强搜索体验。当用户开始输入查询时，我们的解决方案会提供包含图书封面的视觉预览，使用户能够直接导航到相关落地页，而不是搜索结果页。它还提供实时的个性化格式推荐，并整合了多种可搜索实体，如图书页面、作者页面和系列页面。
我们的系统需要从仅有的几次按键中理解用户意图，并确定最相关的图书进行展示，同时要为数百万次查询保持低延迟。通过使用历史搜索数据，我们将按键与产品匹配，将部分输入转化为有意义的搜索建议。为确保质量，我们实施了基于置信度的过滤机制，这对于区分像“悬疑”这样的通用查询和特定标题搜索尤为重要。为了反映客户最近的兴趣，系统对长期的历史用户交互数据应用了时间衰减函数。
为了满足每个用例的独特要求，我们开发了两种不同的技术方法。在某平台上，我们部署了一个深度成对学习排序模型。该模型考虑成对的图书，并学习为与客户查询更匹配的那一本分配更高的分数。该模型的架构由三个专用塔组成。左侧塔使用长短期记忆模型处理上下文特征和近期搜索模式，该模型按顺序处理数据，并在序列中发出新词时考虑其先前的决策。中间塔处理关键词和商品互动历史。右侧塔考虑客户品味偏好和产品描述，以实现个性化。该模型从成对样本中学习，但在运行时，它依赖于图书的绝对分数来组装排序列表。
对于某平台的另一场景，我们实施了一种两阶段建模方法：使用一个概率信息检索模型来确定与每个关键词最匹配的书名，再使用第二个模型对图书格式进行个性化推荐。这种双重策略方法在实现个性化的同时保持了低延迟。在实践中，在搜索栏中输入“地牢爬行”的客户现在会看到《地牢爬行者卡尔》一书的视觉推荐，并附有图书封面，通过绕过搜索结果页并将客户直接发送到产品详情页来减少操作步骤。在某平台上，该系统还对自动补全结果进行个性化处理，并通过相关连接丰富发现体验，包括指向作者完整作品集的链接，以及对于属于某个系列的图书，指向完整系列的链接。
在某平台场景下，当客户点击标题时，模型会推荐合适的图书格式，并将客户引导到正确的产品详情页。在这两种情况下，在客户输入一定数量的按键后，系统会使用一个模型来检测客户意图，并决定显示哪个视觉组件。两个平台上的视觉自动补全功能比传统的自动补全功能更快地为客户提供更相关的内容，其直接导航减少了查找和访问所需图书的步骤——所有这些都在低延迟下处理数百万次查询。这项技术不仅让图书发现变得更简单，也为未来在某中心生态系统中改进搜索个性化和视觉发现奠定了基础。FINISHED
