hei hei

rank的产品目标：合理分配流量的问题，以及信息过载时提高用户效率的问题

如果你打开美团外卖，只有三个商家，那有没有rank就不重要了，因为用户很容易看完每个商家然后做出决策。但如果你打开外卖，附近有1000多个商家，用户不可能看完这1000个商家，这时候rank就要在合适的地点和场景，把合适的店展示给用户。即把有限的流量给到当前场景下，转化率最高的店

rank的衡量指标：在不同背景下可能不一样，但最常见的有转化率和GMV/UV。如果以订单量为目标的话，转化率可能就是rank的指标。如果以GMV为目标的话，GMV/UV才是最终的指标

人工排名

某外卖平台最早的时候，每个BD（市场经理）负责一定的区域，并且人工给这些餐厅排名。这样的方式在地推谈商家的时候，起到过一定的作用：比如BD去谈新的商家，可以承诺给到一段时间的较高排名来使老板加入平台；或者以较高的排名为条件，使得一些优质餐厅成为我们的独家餐厅，排名是BD谈判的筹码

但这样的排名方式有很多的弊端，比如工作量较大，标准不统一，容易滋生钱权交易，转化率不高等等。所以需要开始做智能排名，让统一的规则来接手这件事

公式排序

在外卖平台上，排序分为商家排序和菜品排序两种，先聊聊商家排序

首先，我们要分析什么样的因子会影响用户决策，比如用户点外卖的时候，会注重看一下商家的销量，评分，送餐速度，优惠活动的力度，起送价，配送费，那这些就是rank里面很重要的因子之一。但除了这些看得见的因子，还有很多看不见的因子，比如退单率，投诉率，进店到下单的转化率等等

然后，rank会把这些影响用户下单和最终转化的因子整理起来，给每个因子赋予不同的权重，放到A/B Test系统里去做测试，来确定最终合适的权重。然后根据每个商家计算出的分数，得到一个粗排的排名。在这个过程中，要结合外卖场景考虑到很多因素，比如商家在不同区域的服务能力不一样（比如送餐时长），以及各种容易钻的空子（刷单）

在粗排之后，rank会根据情景，给不同的商家在不同场景有一定的提权或降权，这叫做细排。比如下午的时段，会对下午茶的商家进行提权。或者商家即将关店的时候，对其排名有一定的下沉，避免用户选餐时商家突然休息。或者部分商家短时间内拒接或取消的订单过多，说明这个商家临时有问题，不能很好的承接已有的流量，所以要进行置底甚至关店的处罚

最后会根据用户，去做一些调整。比如对不同客单价的用户，对符合客单价的商家提权。对用户吃过好评的店，以及类似的店进行提权（这里其实已经涉及到了简单的个性化推荐）

到这里，rank基本上就已经完成了。但如果真的到这里就结束了，可能会遇到一些问题：比如新的商家，各项评分都很低，很可能排不到前面，导致一直无法快速成长，从而加剧马太效应，强者越强，新店永远也得不到成长。所以从长远健康的生态考虑，rank还有一个指标叫做基尼系数。rank会对新店和业务需要支持的商家，做一些提权和轮播，甚至锁定。来使这些店获得足够的流量来成长

机器学习

在外卖的场景下，有几百项因子在起作用。当只考虑销量和好评时，写一个公式调整其中的权重，人脑很容易实现。但当有几百项因子时，人脑怎么给每一个因子赋一个合适的值，怎么去一个因子一个因子去做A/B Test？

所以，我们把所有的因子告诉机器，让机器自动的去测试每个因子不同的权重，用大量的样本自动实验，找出最合适的权重给每个因子赋值。然后和人工设置的rank规则对比，哪个的效果更好

也就是说传统的检索模型采用人工拟合排序公式，通过用户数据反馈确定最佳的参数组合，以此不停的优化相关性打分函数。在随着影响相关度的参数逐步增多，传统的打分机制逐渐不能满足这方面的要求。机器学习更适合采用很多特征来进行公式拟合，最合理的排序公式由机器学习（Machine Learning）获得，因此考虑采用learning to rank（此处的learning取自Machine Learning）。learning to rank可以分为以下三大类：

pointwise（单文档方法）、pairwise（文档对方法）、listwise（文档列表方法）

相比于pairwise和listwise两种方法, pointwise 比较容易和其它控制项叠加，适用于多维度优化目标的问题。因此pointwise广泛应用于团购平台和外卖平台的排序问题。在应用中， pointwise方法会对所有的候选结果给出一个统一标准的分值，并根据分值进行排序

pointwise处理对象是单一文档，整个流程分为三部分：提取特征做训练；分类算法学习；测试query排序

将文档转化为特征向量后，主要是将排序问题转化为机器学习中常规的分类或回归问题。以多类分类为例：下图是人工标注的部分训练集合，每个文档采用三个特征：查询与文档的BM25相似度，查询与文档的cosin相似度，以及页面的PageRank值，query与di的相关性是多元的，label分为 5个等级，即{perfect，Excellent，good，fair，bad}。于是，产生了5个具有label的训练实例，然后可以使用机器学习的任一种多类分类算法进行学习，比如最大熵，支持向量机等。

案例

当模型参数学习完毕后，之后就可利用模型进行相关性判断，对新的查询和文档，通过模型的打分函数可以得到一个数值，利用该数值即可对文档进行排序了

更多智能排序相关问题可参考《这就是搜索引擎:核心技术详解》