ElasticSearch 打造搜尋產品的經驗談

這是以公司要為產品打造搜尋功能，甚至把搜尋當產品的角度，在不同的層級需要注意的大略事項與指南，共分四部分：產品地位、生態系、metrics 衡量、以及 ES 工程

Disclaimer: 不同領域、資料、使用情境，打造搜尋的方式也不一樣。這是以我幾年在電商與垂直搜尋的個人經驗，一定有很多沒有考慮到的

搜尋是否為賣點？ #

搜尋可大可小，公司要先問自己：為什麼要做搜尋？

• 搜尋是否為產品重要流量入口？或是想投資變成重要入口？
• 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）？搜尋結果希望「寧缺勿濫」或「寧爛勿缺」？

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
• UIUX (e.g. auto complete, related search, …), 搜尋結果回傳速度 (FE, API, BE/index) 等等

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 (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，使用者習慣養成等等）
  • 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://towardsdatascience.com/comprehensive-guide-to-ranking-evaluation-metrics-7d10382c1025
  • 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？
  • 如果都不是，跟老闆適當解釋你們的衡量系統

如果沒有「衡量資料」只靠福至心靈 spot check，等一下寫的 ES 工程沒辦法做最佳化。

指標需要 PM 提供。評量資料需要 PM 跟開發者一起研究。

Elasticsearch 技術 #

• 多看官方文件，例如
  • https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-multi-match-query.html 欄位權重、跨欄位等等
  • https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-function-score-query.html 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 了解 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
  • 整體分數可以自己寫公式，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 tricky. 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
• Operation 跟 scalability