本文讨论一个非常有意思的问题：电商搜索（广告）业务中的个性化、实时化。
包括电商搜索在内的搜索业务对个性化的要求，相对于推荐而言是要低一些的，因为搜索关键词能够强烈的指示用户意图，即使没有个性化技术，搜索结果一般仍然是可以接受的。由于对个性化要求稍低，搜索也对实时性要求稍低，用户搜索跟昨天一样的关键词，今天返回同样的结果，是可以接受的，甚至应该如此，如果用户搜索同样关键词返回结果却每一次都不一样，反而可能令用户困惑。
尽管如此，在搜索广告场景中引入个性化，经验表明仍然是有帮助的。
精排个性化与实时化
首先，最为人所熟知的个性化方法，是在精排模型也即 pCTR, pCVR 模型中引入用户侧特征，特别是用户行为序列特征。这方面为最著名的工作是阿里的 DIN. 不过，DIN 模型原 paper 是用在推荐系统上的，应用在搜索系统上时，搜索系统的 pCTR 模型还会有 query, item 统计特征，以及 query-item 交叉特征，这些交叉特征会占据更大的权重，用户特征以及用户行为序列有帮助，但重要性没有推荐系统中那么大。
搜索结果实时化
当今由于移动电商大部分流量来自于移动客户端，导致搜索结果带有了信息流的特质。用户输入关键词之后，可能会在搜索结果页面一直向下刷很久，并且可能点击一些 item 之后继续返回搜索界面继续刷。传统的搜索引擎在用户输入关键词、发出请求之后，搜索结果就确定了，用户向下刷时只是把固定的结果加载出来。但这样的做法就忽略了非常有价值的用户行为信息。
于是，为了更好地利用这些用户行为特征，我们在搜索（广告）场景上也可以进行实时化。也即，用户每向下刷一定数量的商品之后，就会重新计算后续搜索结果，然后从新结果中去除掉已经曝光的商品，展示新的商品。这主要是个工程问题：如果系统原本是有缓存的，去掉这个缓存可能会给整个搜索链路带来巨大的压力，甚至流量负载翻倍。
这就需要比较精细的区分哪些计算是必要的，哪些是不必要的。首先，召回阶段，多路召回中，很多召回方法可能是没有没有实时特征的，没有必要重新计算，可以缓存结果。精排阶段有两种选择：
- 可以只对新召回的商品重新打分，然后跟缓存的上一轮打分结果归并排序
- 可以对缓存的物品、新召回的物品全部重新打分排序
在算力允许的前提下，全部重新打分然后归并排序效果会更好，因为精排模型在实时特征发生变化后打分可能会发生变化。
另外，一个重要的优化是，用户可能在下刷过程中没有新的行为，用户特征没有变化，则搜索结果是不会变化的，重新运行召回、精排完全是浪费。因此可以检测用户有没有新行为，如果没有新行为，直接使用缓存结果即可。
召回个性化与实时化
最后，召回阶段也可以引入用户特征，包括实时用户行为。
流行的向量化召回 vector recall（也称 knn recall），比如 DSSM 等模型，很容易加入这些特征，跟精排阶段相似，只是 KNN 不方便较早的进行特征交叉。
另一种召回方法则是在推荐系统中较为常见的 U2I2I 召回。也即，使用用户行为序列作为 Trigger, 直接召回相似物品。这类方法在「Swing 方法在搜索召回中的应用」一文中有介绍，也类似于 Q2I2I 一文中介绍的方法。
在我们的实际应用中，U2I2I 召回有奇效，特别是带来了极大的 CVR 提升，即使没有链路的实时化支持，也能取得较大收益。推测可能的原因包括，
- 用户行为确实是对用户意图非常强的指示
- 搜索系统中，大部分召回方法是基于 Query 的，而这种方法却不依赖 Query, 能够得到较多新结果
- 生成 I2I 序列的 Swing 算法能够较好的捕捉用户点击行为之间的关联