当前位置：网站首页 » 导读 » 内容详情

搜索关键词召回广告直播_百度搜索怎么过滤广告(2024年11月全新视觉)

内容来源：天哥SEO所属栏目：导读更新日期：2024-11-26

搜索关键词召回广告

【搜索广告召回技术在美团的实践】美团通过生成式关键词召回和多模态向量检索技术，大幅提升了搜索广告的召回效率。本文详细介绍了生成式大模型在广告召回中的实践，特别是结合扩散模型的多模态优化，适合关注广告技术和 AI ... 详见：网页链接

𐟔某团推荐系统召回逻辑揭秘 𐟎𛎦Ÿ团的流量场景出发，搜索广告可划分为两大类：列表推荐广告与搜索广告。 𐟔 推荐广告主打商家模式，展现商家的菜品或商品。而搜索广告则更为灵活，既可展现商家，也可突出商品，展示核心商品信息。 𐟧 某团搜索广告历经三个阶段的发展： 1️⃣ 初始阶段：多策略关键词挖掘，针对短Query和头部流量设计高效召回策略。 2️⃣ 进化阶段：分层召回体系，根据流量和供给特点，制定精准的召回策略。 3️⃣ 创新阶段：引入生成式召回，借鉴大模型能力，优化现有技术体系。 𐟔 在第一阶段，某团通过信息抽取技术，从短Query中提取核心词，并利用头部效应，快速覆盖大部分流量。由于商家无买词能力，某团采用模型从商品中挖掘核心词，实现短串匹配。 𐟌 第二阶段，某团推出了分层召回体系。该体系根据流量和供给特点，将用户意图分为强意图和泛意图，并分别制定召回策略。 𐟒ᠧ쬤𘉩˜𖦮𕯼Œ某团引入了生成式召回，借鉴大模型的能力来优化推荐效果。这一创新使得某团的推荐系统更加智能和精准。 𐟎‰ 通过这三个阶段的不断发展，某团的推荐系统已经越来越成熟，为用户提供了更加精准和个性化的推荐服务。

𐟔某团推荐系统召回逻辑揭秘 𐟎烈团的搜索广告体系庞大而精细，今天我们就来深入探索其中的召回环节产品逻辑。 𐟔首先，某团的搜索广告分为两大类：列表推荐广告和搜索广告。前者以商家模式为主，后者则更丰富，包括商家模式和商品模式。 𐟎樂覎訍系统的召回环节，某团经历了三个重要的发展阶段： 1️⃣ 第一阶段，某团搜索广告的初创时期，关键词挖掘是核心。由于用户搜索的Query较短，某团通过信息抽取技术轻松提取核心词。同时，由于头部效应明显，Top2万的Query就覆盖了大部分流量。 2️⃣ 第二阶段，某团引入了分层召回体系。根据流量和供给特点，将用户意图分为强意图和泛意图，并针对性地优化召回策略。 3️⃣ 第三阶段，某团尝试了生成式召回，借鉴生成式大模型的思路，对现有召回技术体系进行改造。 𐟎‰通过这三个阶段的发展，某团成功打造了一个高效、精准的推荐系统召回环节。无论是关键词挖掘、分层召回还是生成式召回，都体现了某团在推荐系统领域的深厚技术功底和创新能力。

搜索策略产品经理：Query理解是关键！端午节的第二天，又写了2300多字，还查了不少资料，回溯了不少工作项目。如果这篇文章对你有帮助，赏个赞吧！前几篇文章，我们聊了聊搜索中间页的功能点，如果你错过了，建议先看看前面的内容。今天，我们来深入探讨一下搜索技术的流程。首先，很多人可能会觉得：“搜索不就是关键词匹配吗？”其实，这句话对也不对。 ✅对的部分是：关键词匹配是搜索的基础，把用户输入的query和内容中的关键词进行匹配，这是最基本的原则。 ❌不对的部分是：内容的维度很多，要和哪些内容匹配？匹配哪些字段？这些问题并不是一句话能说清的。要回答这些问题，第一步就是涉及到【query语义理解】。具体来说，我们需要理解用户输入的是否正确？是缩写、拼音还是其他什么形式？纠错后的query包含哪些信息？这些信息的优先级如何？分别对应哪些维度和字段？仔细想想，我们平时理解一句话的时候，是不是也是这样做的？只是大脑会在一瞬间完成，而机器则需要明确的流程步骤（至少在传统搜索技术中是这样，涉及到GPT就是另一个故事了）。今天，我们就从这些语义理解环节展开讨论。纠错、分词和类目预测这些基础工作做完之后，才能开始“不就是匹配关键字”的环节。下一篇文章，我们会详细讲解如何匹配内容——搜索召回。希望你能继续关注！

日化行业舆情监测与应对全攻略在日化行业，舆情监测和应对是品牌公关的重要一环。以下是一些实用的方法和策略，帮助你有效应对舆情挑战。 𐟔 关键词设置在进行日化舆情监测时，以下关键词是关键：行业相关性：如“日化、化妆品、个人护理”等。产品名称：例如“舒肤佳、洗发水、沐浴露”等。热点事件：如“315”、“产品召回”等。竞品关键词：如“宝洁、联合利华”等。 𐟓⠦—奌–舆情重点关注平台需要关注的平台包括：社交媒体：如微信、百度、痘印等，这些平台是消费者反馈和讨论的主要场所。新闻网站：主流新闻网站和行业媒体，它们是信息传播的重要渠道。论坛和贴吧：如百度贴吧、专业论坛等，这些地方常有深度讨论和消费者反馈。 𐟛 ️ 舆情监测平台利用靠谱的舆情监测平台，可以7*24小时全天候自动监测网上与企业相关的负面舆情，确保第一时间发现和处理。 𐟓ˆ 日化舆情应对策略建立舆情分析及研判机制：对舆情的性质及发展趋势进行科学判断，预测发展方向，制定解决方案。建立舆情协调应对机制：包括信息的协调联动机制和以疏导为主的舆情处理机制，加强与网民的沟通和交流。完善善后处理机制：网络舆情平复后，加强善后处理工作，弥补损失，公布进展情况，避免谣言散播。建立长效机制：构建科学规范的长效机制，使日化舆情监测更加规范化、常态化、制度化。通过这些策略和方法，你可以更好地应对日化行业的舆情挑战，保护品牌声誉，提升消费者信任。

传统RAG与Graph RAG的7大差异 1. 𐟓Š 传统RAG的核心链路：索引（向量嵌入）：通过Embedding模型将文档转换为向量编码，并存储在数据库中。检索（相似查询）：使用Embedding模型对查询进行向量编码，通过相似性查询（ANN）找到最相似的文档。生成（文档上下文）：将检索结果作为上下文，与问题一起提交给大模型进行处理。 𐟔砒AG的架构： Document Indexing Phase：预处理文档并转换为向量。 Query Phase：从用户查询中提取文本块并进行嵌入。 Embedding Model：将文本块转换为向量。 Similarity Search：通过相似性查询找到最相似的文档。 Retrieval：从数据库中检索相关文档。 Context Database：将检索结果作为上下文与问题一起提交给大模型。 𐟌 广义RAG问答链路： Document Indexing Phase：预处理文档并转换为向量。 Query Phase：从用户查询中提取文本块并进行嵌入。 Embedding Model：将文本块转换为向量。 Similarity Search：通过相似性查询找到最相似的文档。 Retrieval：从数据库中检索相关文档。 Context Database：将检索结果作为上下文与问题一起提交给大模型。 𐟚렒AG存在的问题：知识库内容缺失：现有文档可能无法回答用户问题，系统有时会给出不相关的回应。 TopK截断有用文档：相似度不足导致相关文档被截断。上下文整合丢失：检索到的包含答案的文档可能因重排序或过滤规则而被忽略。有用信息未识别：LLM可能无法正确识别文档中的有价值内容。提示词格式问题：提示词格式错误可能导致大模型无法识别用户意图。准确性不足：LLM可能过度利用或未充分利用上下文信息。 𐟓ˆ Graph RAG的核心链路：索引（三元组抽取）：通过LLM服务实现文档的三元组提取，并写入图数据库。检索（子图召回）：通过LLM服务实现查询的关键词提取和泛化，并基于关键词实现子图遍历，搜索N跳以内的局部子图。生成（子图上下文）：将局部子图数据格式化为文本，作为上下文和问题一起提交给大模型处理。 𐟒᠒AG与Graph RAG的成本对比： Graph RAG通过引入知识图谱技术，提供了更高质量的上下文，但增加了系统的复杂性和成本。Graph RAG的核心链路包括索引（三元组抽取）、检索（子图召回）和生成（子图上下文），这些步骤需要更多的计算资源和存储空间。

猫咪新家必备清单：省钱又实用！今年是我养猫的第三年了，明天又有一只小可爱要加入我们的家庭了。每次接新猫咪回家，我都会提前准备好一堆东西。经过这三年的摸索，我终于知道了哪些东西是真正需要的，再也不用花冤枉钱了。第一次接猫咪回家时，我真的买了好多不实用的东西。比如猫窝，结果猫咪根本不睡；猫砂盆买小了，猫咪上厕所都不方便；还买了一堆昂贵的猫咪玩具，结果猫咪根本不玩。太多了，简直太多了！所以这次，我精挑细选了三年养猫经验中最值得入手的好物，结合之前两只小猫咪的喜好和冲浪时发现的猫咪通性，整理了一份清单。具体买了什么都在图里啦，下面说说一些个人认为不同类物品的主要注意事项吧，分为吃、用、玩三个方面：吃主粮关键词：成分、肉源、功效如果你预算充足，可以直接选择进口大牌，比如渴望、爱肯拿、百利、自然光环等，成分基本都过关，不用费太多心查成分。如果预算有限，国产大牌也是个不错的选择。我家猫咪很喜欢吃的有蓝氏（成分真的很不错，适口性也很好～）、诚实一口、鲜朗等。其次是肉源。如果不熟悉小猫咪的偏好，建议从鸡肉开始，毕竟鸡肉的适口性是最好的。了解猫咪偏好后再换其他肉源，不要一直只吃同一种主粮哦，就像人也不可能天天都吃白米饭不吃其他主食一样～功效也很重要！对于新到家的猫咪，建议以防软便、低敏为主，不要一开始就追求美毛、长胖。换了环境的小猫咪需要我们高度关注，一切都以安全、稳定为主最好啦～（我家之前都吃自然光环，毕竟三十几年一直零召回，没有花里胡哨的营销，主打就是一个放心！）用猫砂盆关键词：大小、材质猫砂盆一定要买大一点的，方便猫咪活动。材质方面，建议选择塑料的，比较好清理。猫窝关键词：舒适、保暖猫窝一定要舒适，毕竟猫咪要在里面睡觉。可以选择带垫子的猫窝，冬天还能保暖。猫抓板关键词：高度、材质猫抓板的高度要适中，方便猫咪抓挠。材质方面，建议选择剑麻的，比较耐用。玩逗猫棒关键词：材质、玩法逗猫棒的材质要安全，可以选择橡胶的。玩法也要多样，可以增加猫咪的兴趣。猫爬架关键词：高度、稳定性猫爬架的高度要适中，方便猫咪攀爬。稳定性要好，不然猫咪容易摔倒。希望这些小建议能帮到大家，让你们在迎接新猫咪时不再手忙脚乱！𐟐𑀀

狗狗必备口令清单，新手家长必看！首先，我想强调一下，教狗狗口令的目的是为了它们的安全和健康，其次是互动，最后才是表演。所以，一上来就让狗狗学一些复杂的口令，我觉得不太合适。这篇笔记主要分享一些实用且必须的口令。必会类口令 NO口令：关键词“NO”或“不可以” 我认为这是狗狗必须学会的第一个口令！这个口令可以有效打断、制止或批评狗狗的错误行为。狗狗不知道对错，所以需要主人严厉的制止。记住，NO口令应该是严肃的，不是甜甜软软的一句“不可以哟”。召回口令：关键词“回来了”或“过来” 除非你一辈子不放开牵引绳，否则这个口令是十分必要的。很多家长不敢放开牵引绳就是因为狗狗叫不回来，玩完以后抓狗成了一个大问题。另外，召回口令也可以防止狗狗跑太远导致丢失。次必要口令等待口令：关键词“等一下”或“等我” 配合召回口令，可以让狗狗在户外无绳玩耍时更安全。我家狗狗学会召回后，再训练等待口令，现在它跑到离我三米左右的距离就会停下来等我，等我靠近以后再往前走。去郊外无人区撒欢的时候真的很爽。坐口令：关键词“坐”或“sit” 坐口令能很快让狗狗从兴奋状态安静下来，并且可以训练狗狗的专注力。当狗狗处于很兴奋的状态时容易扑人，这时候坐口令就很能发挥作用啦。放下口令：关键词“放下” 我觉得狗狗需要训练这个口令是因为我家狗狗爱捡垃圾吃。再加上时常有投毒案，所以个人感觉狗狗学会放下是很重要的。如果发现了狗狗捡吃的会及时制止并且要求放下，个人觉得算是“NO口令”的一个精准升级版吧。目前我常用的口令就是这些，其他口令我觉得看狗狗精力和主人意愿学习就好。关于如何让狗狗学会口令，各平台上都有很多人在教，找一个你觉得OK的方法多次练习就可以了。请注意不要反复更换训练口令和方法，要保证全家都是一个方法一个口令训练狗狗。目前就想到这么多，欢迎大家查漏补缺！

如何用Faiss构建RAG知识库？如果你对如何用RAG（Retrieval-Augmented Generation）构建知识库有所了解，那你一定知道，知识库的索引和检索都是基于文本块的。简单来说，就是把一个大文档分成一个个小块。今天，我想和大家分享一下在智能客服场景下，如何利用FAQ、多轮对话和产品说明书来构建一个向量知识库。一、数据准备 𐟓 FAQ数据处理首先，我们要对常见问题（FAQ）进行清洗，主要是去除用户隐私信息、乱码和表情符号等。FAQ作为标准问答，要求高质量，召回优先级也是最高的。你可以选择只构建问题的索引，也可以构建问题+答案的索引。多轮对话数据处理对于多轮对话数据，我们需要将每一轮的对话文本按照逻辑顺序进行拼接，并区分用户和客服角色。如果不区分角色，模型容易逻辑混乱，把用户问的问题作为答案进行参考输出。同时，标注对话中的关键信息，如意图（查询订单状态）、实体（订单号123456）等，以便构建关键词索引或者进行精准匹配。产品说明书数据处理对产品说明书进行分段处理，将每一个有独立意义的段落或者章节作为一个文档单元。然后，提取说明书中的重要概念、术语等，为其创建索引词汇，方便在向量空间中进行搜索定位。二、向量生成 ➡️ 利用BGE向量模型将处理好的FAQ、多轮对话和产品说明书文档单元分别输入到BGE向量模型中。BGE向量模型会将每个文档单元转换为一个固定维度的向量表示。在这个过程中，根据模型的要求设置合适的参数，如输入文本的最大长度等。三、向量数据库构建（使用Faiss） 𐟏 初始化Faiss向量数据库根据向量的维度，选择合适的Faiss索引类型。例如，如果向量维度较低（如64维或128维），可以选择Flat索引；如果维度较高且需要快速搜索，可以选择IVF - Flat索引等。然后，创建Faiss索引对象，指定向量的维度和索引类型。向量插入将通过BGE向量模型生成的所有向量（来自FAQ、多轮对话和产品说明书）依次插入到Faiss向量数据库中。四、知识库优化与维护 𐟔犊这部分内容有点多，今天就先聊到这儿吧。具体的优化和维护方法，我们下次再详细讨论。希望这些信息对你有帮助！如果有任何问题，欢迎在评论区留言哦！𐟑‹