Re: [請益] Elastic Search結果慘烈怎麼修

看板Soft_Job作者untitled (Causality)時間3月前 (2024/01/16 20:09)推噓29(29推 0噓 10→)

留言39則, 29人參與討論串3/4 (看更多)

※ 引述《kewang (652公車)》之銘言： : ※ 引述《DOC (鍛鍊的還不夠)》之銘言： : : 小弟是網路公司的PM，負責一個跟景點圖資有關的產品，目前服務內有個進50萬的POI資 : : 料庫，但是讓用戶搜尋時，跑出來的結果非常糟糕，而且負責此項目的同事說能優化的都 : : 做了，已經無法再調整。想問問看版上的大神能不能開示怎麼處理比較好 : : 被檢索的欄位 : : poiNameCN：晴空塔 : : poiNameEN：Tokyo Skytree : : nickname1：天空樹 : : nickname2：新東京鐵塔 : : adminDivisionCN：日本/東京都/東京都心/墨田區 : : adminDivisionEN：Japan/Tokyo/Special wards/Sumida : : 原本理想的情況是，不管用戶是輸入景點的中文或英文名稱、或是輸入別名，或是輸入名 : : 稱加上行政區劃內的某一層(例如輸入：東京天空樹)，都可以用這些欄位來找出關連， : : 可是實測之後的結果卻很糟 : : 想問問有沒有大神有這種讓elsatic search同時比同一個物件的多個欄位，再排關聯度的 : : 經驗，能給小PM一點建議，讓我可以再去爭取重開這個優化的需求 : : 感謝！ : 原文的推文大概都有提到了做法，但已經在這塊花了不少時間的我，也來分享一下 : 1. 依照欄位做多欄位分語系 : elasticsearch 每一個欄位都可以塞 array 進去，所以你的 nickname 可以分語系直接 : 塞進去，poiNameCN: ["晴空塔", "天空樹", "新東京鐵塔"] : 2. 分語系記得要用不同的 analyzer : CN 就用 ik, jieba, blahblah 之類的，EN 就用 standard 或用一堆 filter 串起來 : 無論是哪一種，記得都要用 analyze 測試結果，然後再加 filter 去處理 : 3. city 可以另外塞 index : 因為「東京」、「新宿」也是一個 city，這個必須要能做分詞 : 你現在看起來就是塞在同一個欄位 array？如果是塞成 array 的話也應該要正常才對 : 「猜出正確的 city」其實蠻難的，要先了解你們自己產品的 UX，再來決定如何做 : 4. 要不要直接串我們家的 API 啊？ : 不確定是不是你有少列一些東西，但看起來你們家工程師好像連 elasticsearch 的基本 : 資料儲存方式都不太理解，需要補充蠻多知識的。 : 如果要串我們家 API 的話可以直接私訊我，現在已經改版到第三版了。 : 要從頭到尾做出一套實在是很花時間，要先充分理解使用者行為，然後一步一步演進。 : 從 POIBank v1 出來到現在已經過 5 年了，去年底已經改版到 v3，當然還是很多問題要 : 處理，但比 v1 好太多了。 : 剩下有空再寫文章分享更細部的東西好了。推文跟 kewang 已經有很多資訊。我用有限的經驗回答你的問題，有些跟前人說的重複分四部分：ES 工程、metrics 衡量、生態系、以及產品地位。雖然第一個可能才是你想看的，但「越後面的才越重要」，讀的時候請記在心 ## Elasticsearch 技術 * 多看官方文件，例如 * https://bit.ly/3SlCYoS 欄位權重、跨欄位等等 * https://bit.ly/48UeF6D 自定義分數 * 要看你們用的 ElasticSearch 的版號的文件 * 搜尋分兩階段：recall 跟 ranking, 要先能匹配到，才有算分排名的機會 * 搜尋跟兩者有關：「怎麼建索引」跟「怎麼下 query」 * analyzer 影響 recall * 決定索引裡面的資料要怎麼處理（大小寫？斷詞？去掉符號？） * search_analyzer 則是用在處理使用者即時的 query。通常 analyzer 跟 search_analyzer 應該要一樣的處理方式，避免搭不起來的副作用。但 jieba 中文斷詞是個例外，文本資料會希望更多可能性（緣由見 https://github.com/fxsjy/jieba 全模式） * 不同的欄位可以、也最好有各別的 analyzer * 善用 /_analyze 去 debug 一個 analyzer 對於一串文字的處理結果 * 中文斷詞要處理，雖然 jieba elasticsearch plugin 不見得好用，必要的時候需要自己魔改使用繁體字典或客製化字典 * 多欄位 * 可用 cross_fields + multi_match 去匹配多個欄位 * 每個欄位可用不同的“type”(keyword vs. text) 準確搜尋跟文本搜尋可以併用，並以不同的分數合併 * 分數調整 * 排名的分數有兩大類：資料本身的重要性 (跟著 document, 與 query 無關，靜態的重要度) ，以及 query 跟資料的相關性 (runtime 算出) * 靜態分數、重要度：事先根據商業邏輯算好，在建造 index 的時候放在文件的一個/多個欄位 * 整體排名可以自己寫公式，把靜態分數與不同欄位的相關分數融合在一起 * 匹配的時候，每個欄位可以有權重自調 * 善用 must, should, filter, 以及 minimum_should_match 的組合 * 但要注意，避免太多 should 讓 recall 過多，或是用奇怪的公式，導致搜尋速度變慢 * 善用 `/_search?explain=true` 找問題，看匹配的理由與分數的組成 (BM25 is tricky, synonym is also tricy. 為了 recall 塞太多資料可能會傷害 ranking) * 如果延遲時間允許或是 API 設計得好，一個使用者的 query 可以做多次多種準確度的搜尋，最後把結果合併起來 * Embedding 雖然可以考慮，不過不一定適合短文件（例如 POI）需要科學方法測量評估，而測量需要資料上面寫了有很多，不代表開發者沒試過，也不代表試了就有用。最重要的是：如果沒有「衡量資料」只靠福至心靈 spot check，上面寫的都沒用，沒辦法優化/最佳化。 **指標需要 PM 提供。評量資料需要 PM 跟開發者一起研究** ## 搜尋評量 metrics * 概念：搜尋結果有絕對單一個答案嗎？還是多個模糊建議都適合給使用者？這走向會決定哪類型的衡量比較好 * 概念：搜尋品質並非說一是一的程式，很容易「修東壞西」，所以要有測試資料 * 概念：做好了就算不動他，品質也可能會爛，因為使用者的 query 分布變化、資料變化等等 (input drift, data drift) * 測試資料收集： * 使用者 log（e.g. 哪個關鍵字較流行） * 商業策略（e.g. 跟哪家公司關係利益較大，整體產品策略，使用者習慣養成...） * 要評量搜尋品質，盡量用大量資料，且能反應使用者習慣，或能反應商業策略 * 使用者習慣如果需要培養（例如教育使用者要怎麼用你們的搜尋），一味取用目前使用者 log 不一定好 * recall 跟 ranking 是搜尋兩階段 * recall: 有多少該出的，是真的出了 * precision: 出的裡面，有多少是該出的 * ranking: 該出的結果，是否排在上面容易看見 * 做到極致的時候會需要 tradeoff：產品/PM 需要決定是寧缺勿濫 (precision) 還是寧爛勿缺 (recall) * Google "ranking metrics" 了解有哪些指標 * 這篇應該不錯 https://bit.ly/3O5Sx19 * 搜尋結果要明確、不模糊: recall@k, precision@k, MRR) 等等 * 會有多個搜尋結果都很適合丟給使用者: DCG, nDCG 等等 * "Boss" metrics: 老闆半夜丟訊息給你「為什麼這個詞搜尋結果出來這麼爛？」 * 跟使用者有關還是商業策略有關？ * 如果都無關，只是老闆爽，跟老闆適當解釋你們的衡量系統 ## 打造搜尋生態系 * Corpus data pipeline: 要索引的資料的來源？（自產、客戶、User generated, ...）有固定規格嗎？大小頻率？需要清洗嗎？等等等 * 搜集互動資料（e.g. 搜尋了什麼，點了什麼），了解 query 的分佈，跟目前使用者滿意度 * 衡量系統： * 能方便執行「人工單點審查」以及「大資料評比」，評估搜尋品質 * 自動線下測試（e.g. 固定測資，一鍵 / CICD 測量？） * 產品線上品質（e.g. 點擊率） * 搜尋模型/公式更新？ * 需要衡量系統 * 公式/模型本身要有參數可以變化調整 * 更新的一種最笨方法：暴力測試不同參數組合，以衡量系統出來的分數，取最高分的那組參數 * 「後門」系統 * 不完全遵照 elasticsearch 結果，甚至有可能直接蓋過 * 可以為獨立系統，也可以整合在「產生 ES query」裡 * 應付流行詞，如果怎麼調整公式，但搜尋結果就是爛 * 應付老闆 (huh?) * 飲鴆止渴：維護答案有成本 ## 搜尋是否為賣點？ * 搜尋是否為產品重要流量入口？或是想投資變成重要入口？ * 搜尋可大可小：可以是數十人投資一兩年，也可以是兩三人投資三個月。哪些搜尋 feature 是核心？哪些是加分？ * 站在公司的立場，自己從無到有開發維護搜尋？還是用別人的服務？機會成本：同樣資源投資在其他地方有沒有可能比較好？ * 搜尋體驗：precision or recall? 給使用者答案或探索（推薦）？ === 搜尋單看技術面就有非常多眉角，簡單講沒有「單一答案」，可能需要多個系統篩選/排序，還有測量品質。同時也沒有「標準答案」，每個產品都不一樣然而，我偏見地認為 PM 不太應該給開發者「實作」的建議 (e.g. 你要 cross_fields 啊, 要 jieba 啊) 而是讓開發者了解產品的目標，功能的「緣由」與定義（e.g. POI 有多種名詞。希望增加 recall。「京鐵」不要出「東京鐵塔」...）與量化評斷方式。同時從開發者那邊了解實作的「所需努力時間」跟「不確定性」，來調整產品的範圍大小與策略。我的意思是不要太一廂情願，覺得網路上找到解法，就能「爭取重開優化的需求」其實給使用者的產品，搜尋功能真的不好做：在整個產品中的定位、產品領域、資料特性、使用者故事、甚至公司部門的組成，都會影響策略。沒有體驗過的大概不會了解，希望你不要氣餒，關鍵字與建議可以吸收，至於單純的指責就忽略吧，加油！ === 網頁好讀版: https://ywctech.net/tech/build-search-products-using-elasticsearch-notes/ -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.240.185.97 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1705406976.A.CE5.html

推

kewang

01/16 21:03, 3月前 , 1^F

01/16 21:03, 1^F

推

johnny9144

01/16 21:51, 3月前 , 2^F

01/16 21:51, 2^F

推

panorama

01/16 22:24, 3月前 , 3^F

01/16 22:24, 3^F