搜索推荐技术在电商导购领域的应用一：分词

作者：高扬

在电商领域浸淫多年，近期有空对这些年的实践经历做些整理，唠叨唠叨我们遇到的问题和用到的技术解决方案，欢迎同行交流。

PS：封面图跟本文没有任何卵关系，纯粹个人喜欢……

导购领域的发展

随着经济不断发展，人们对消费品质要求也水涨船高，也更加个性化。线下实体的陈列空间是有限的，网上陈列空间是无限的，所以这十多年来，电子商务一直处于蓬勃发展之中。

海量商品，虽然极大丰富了的选择，但也让你挑花了眼，经常会被坑爹……所以，这就有了导购的生存土壤。导购，故名思议，引导购物，本质上是一个信息过滤器，针对个人的需求和喜好，将海量商品过滤成有限选择，减轻挑选成本。

如果把网上商品库比喻成一个西瓜，导购就是切西瓜的刀，一个特定的角度切入，就是一个导购方向。举个栗子：

早期的购物搜索、购物推荐是最早的导购形态，让用户自助寻找想买的商品；

折800，聚划算，9块9包邮，什么值得买等，是以价格角度切入；

美丽说、蘑菇街是以女性时尚角度切入；

chiphell，knewone是以男性原创晒单角度切入……

只要网上的商品信息保持持续增长，信息过滤、商品挑选的用户痛点也会日益增加，导购需求就会永远存在。

个性精准导购，对技术要求较高，需要用到搜索，推荐，机器学习等多个领域技术。

导购离钱近，可很快有现金流，属于“自我造血型”业务，在这个资本寒冬里，是一个不错的选择。

做好导购，未来可演化成垂直电商平台，发展前景广阔，美丽说、蘑菇街是成功案例。

说那么多废话，我就是想简单讲一下分词

为了有效的给用户推荐商品，首先要理解用户需求和商品，这两者的精准刻画都离不开分词。

我们这里说的分词是指中文分词，指的是将一个汉字序列切分成一个一个单独的词。这是中文特有的问题（英文有空格可以天然分隔），需要进行一些技术处理。

通用的分词算法可分三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。这里不展开详述，大家可以自行百度，这三个分词流派我们都用上了。

在实践过程会发现，无论哪种方法，都保证不了100%的召回率和准确率，技术同学通常面临这样一个难题：召回率83%，准确率91%，想进一步提高准确率，就很难保持召回率不降低，怎么破？！

这时候，你需要词典了。

购物分词优化到后期，基本就是词典的优化过程。

词典是一个扩展集合，用于保存预先分好的词，每一个词要标注词性。词性，就是词的性质，是对一个词的进一步解释，比如“D100”在词性是“系列”，“尼康”的词性是“品牌”。（词条，词性）组合，可以保存对应的领域知识。

再列举一些我们用到的词性

核心词：如品牌，型号，系列，商品名等

修饰词：如颜色，材质，风格等

Stopword：无意义的词，如包邮，淘宝热卖等

我们词典的最大特点是基于分类的，也就是说，词典中每一个词的词性并不是唯一性确定的，在不同类目下有不同的词性含义。目前我们维护的电商分类是数千个节点，深度为4的树形结构，常见的分类有手机，连衣裙，膨化食品……

这是我们一个词条的印象，大家感觉一下。

下面是我们设计的词条数据结构。

我们词条的词性是基于分类的。

词条的组织形式是分形的，可递归，父词条结构和词条是一样的。

这是词性维度的数据结构，也是基于分类的。

最终，我们通过词条关系的构建，搭建成如上类目属性库，在各种商品文本处理场景中使用。

那么问题来了，那么多品牌词，类目词，修饰词都是从哪里来的呢？

答：从大数据里面来。

通过海量商品文本数据，我们对文本中，相邻的keyword建立起概率链模型，如果两个keyword经常一起出现，同时词条库里面还没有，那很可能是一个新词。这时候，人工介入标注，更新词条库。日积月累，词条库会越来越强大！

最后，我们的购物分词系统，就演化成介个酱紫的。