Yelp是如何用数据驱动搜索过滤器的？

在美国最大的点评网站Yelp上，许多用户都会使用高级搜索过滤器准确地查找某个地方。像“价格”、“距离”、“评级”这样的过滤器很容易使用，但像“户外座位”或“现场音乐”这种更专门的过滤器就有些难用了。因此，他们需要寻找一种方法，在不影响用户体验的情况下，使用户更方便地使用高级过滤器。Yelp数据挖掘工程师Ray M. G.近日撰文介绍了他们如何使用数据驱动搜索过滤器。

在设计新的过滤器之前，他们需要通过挖掘数据更好地理解用户如何使用过滤器。他们发现，用户选择的过滤器很大程度上取决于他们使用的查询词。而且，大部分用户都只使用一个过滤器。他们由此得出，他们需要一种简单的设计，只提供少数几个同查询词相关的过滤器。以下是设计变化前后的界面：

图一：旧搜索界面

图二：新搜索界面

可以看出，新搜索界面隐藏了相关度较低的过滤器，极大地节省了页面空间。而且，如果Yelp展示的过滤器不能满足用户需求，那么他们仍然可以点击“所有过滤器”来选择需要的过滤器。

为了支撑这种变化，他们需要构建一个模型。该模型可以接受一组信息特征（如查询、日期&时间、位置、个人偏好及其他特征），并给出向客户展示哪些过滤器的建议。查询字符串是最为重要的特征，但查询文本是一种稀疏&长尾特征，且基数很大，很难为模型所用。他们希望可以构建一个函数，将查询文本映射成一个可以反映查询与特定过滤器相关度的数值。下图是他们构建的语言模型：

可以将该模型看作一个函数，输入一个单词序列，输出单词序列的概率估计。该模型是贝叶斯定理的一个简单应用。在查询一定的情况下，它可以计算出所有过滤器的先验概率P(filter|query)。可以看出，对于查询词“业余酒吧（after work bars）”，过滤器“欢乐时光”和“户外座位”的概率值为正，说明它们与查询相关，而过滤器“适合早午餐”和“适合孩子”被认为是不相关的。

为了测试该模型的有效性，他们使用了如下两个指标：

• 过滤器使用率：由于Yelp搜索过滤器可以帮助用户更快地发现相关内容，所以他们希望该模型可以提高过滤器使用率；
• 搜索质量：他们希望该模型推荐的过滤器有助于提供相关度更高的内容，提升搜索体验。
  

测试发现，过滤器使用率较之前提高了20%，像“现在开放”、“快乐时光”这样的过滤器使用次数明显增加，而其他过滤器的使用次数稍微减少。在搜索质量方面，他们通过连续的观察发现，在测试人群中，搜索会话CRT（Click Through Rate，点进率）稳步上升。点击数非常容易度量，但也是一个很容易产生迷惑性的指标，因为用户点击搜索结果，并不能让被点击的结果相关。因此，他们还辅以其他指标，比如用户找到相关结果所用的时间。按照Ray的说法，重新设计的搜索过滤器界面得到了一致好评，效果超出预期。

via:InfoQ