破洛洛文章簡介：Image需求滿足方向才剛剛起步，未來要向智能化，自動化，多樣化方向持續的發展。我們最終的目標是把需求滿足這個方向做沒了，需求挖掘，資源滿足全部自動化，做到“手中無劍 心中有劍”。
用戶來搜索“章魚 保羅”，就文本相關性而言，搜索引擎只要返回和“章魚 保羅”內容相關的結果就可以了，這樣用戶是否滿意呢？
用戶甲：聽說章魚帝掛了，來看看最新結果，怎麼全是8月份的，往後翻頁中…
用戶乙：今天同事們在討論章魚哥掛了，章魚哥是啥？我又out了，來搜索一下章魚帝生平事跡是啥，怎麼全是最新的結果，沒有章魚哥的介紹啊，變換個query看看
用戶丙：我是鐵桿球迷，看完章魚哥，再看看足球相關的吧，魯尼，傑拉德是否又進球了，怎麼連個相關推薦都沒有，還得我親自輸入。
用戶丁：找個章魚哥的頭像用一下吧，一定很拉風，怎麼全是結果沒有方圖呢，這麼扁的圖怎麼用啊
用戶戊：換個章魚哥的壁紙，也許下次買彩票能發大財，咦，怎麼全是小尺寸的圖…
（以上信息通過分析2010-10-27用戶session得出。）
籠統的說，用戶向搜索引擎表達他的需求，搜索引擎理解用戶需求，提供各不同的需求下的資源，這整個過程可統稱為需求滿足。簡單說，就是除了基礎文字相關性之外的rank工作，都屬於需求滿足的范疇，也就是說，提供給用戶的檢索結果，不僅僅要求在字面上是和用戶輸入的文字相關的，還要滿足用戶的各種不同需求。
需求滿足在rank體系中所處的位置：
用戶通過query表達了自己的需求，而對於大部分query來說，尤其是具有隱含需求的query，僅僅字面匹配的查詢結果未必能夠滿足其需求。目前我們的排序系統是主要是基於文本相關性這個維度的，權值體現了query中的term與obj的相關程度，在這個體系下，相關的結果未必能夠滿足用戶需求。
例如前面提到的“章魚 保羅”的例子，顯然，這些需求在文本相關性這個維度下很難解決，尤其涉及到突發時效性需求，泛需求等。
從上面的例子中，可以看出，需求滿足需要解決時效性需求問題，多需求問題，相關推薦，size需求，素材類需求，浏覽引導等問題。除了基礎文本相關性以外的rank策略以及為了這些所做的query分析工作可認為屬於需求滿足的工作，另外還包括前端結果展現與用戶引導浏覽的工作。
Image需求滿足，按照不同的維度，可以劃分為如下幾個方面：
需求識別
資源建設
需求調權
識別query有哪些需求，以及需求的強弱，是最基礎的工作。首先要有需求的體系，能完備的描述各種需求，其次是如何識別這些需求，把每個query的需求對應到這個體系中去。
現在線上query分類體系，是按照話題屬性為依據來建立的。包括風景類，地名類，人物類，汽車類等等，對於每個類別，在一些維度上的需求是不一樣的，比如風景類需要尺寸比較大，比較清晰，不包含人的圖片，而聊天類則需要尺寸較小，最好是動態的gif圖。
這個策略下的項目有：size調權，格式調權，人臉需求，人與非人等。
通過對大量的數據統計分析，可以識別出query有哪些方面的共性。可供分析的數據很多，比如用戶行為數據，點擊反饋，檢索結果等。
比如：對query的檢索結果，按照某一feature進行聚類，如果某個類別所包含的圖片數很多，超過設定阈值時，則認為這個類別內的圖片，在這個feature上，代表了這個query的需求。線上人臉需求識別就是這樣來做的。
統計用戶反饋來獲取需求是最能反映用戶需求的方式，用戶的反饋包括用戶點擊，query變換等，在這方面我們做的工作不多，經驗也不多，是我們後續工作的重點。
判斷query中包含專名或者需求詞等關鍵詞，是最直接的方式。比如“紅色寶馬”，顯示的表達了顏色方面的需求。
時效性需求包括三部分，突發時效性、周期時效性和泛時效性需求，目前線上做的是突發時效性需求。需求的識別，主要是通過檢索量的突發，資源數突發和實效性事件來判斷的。
檢索量的突發，是指累積每個小時的用戶檢索頻率，用連續15天的用戶檢索頻率，計算突發的斜率，根據斜率的大小，來判斷時效性需求的強弱。
上述方法只適合熱門query，對於長尾query，檢索頻率很低，無法通過這種方式識別出來，一般這種query是多term的query，可以通過是否命中關鍵詞來判斷：
通過事件判斷：這種方式，主要是想看關鍵term命中時效性事件的比例。當然這些事件是通過主動挖掘的時效性query，通過聚類後，對每個類別訓練出來的關鍵詞。
要做好需求滿足，不僅要識別query有哪一類型的需求，而且要識別該類型需求的強弱，他直接指導了後續需求調權的力度。
每個維度的需求，必須要有需求的強度，在各維度調權合並時，需求的強度決定了該維度的權值。比如時效性需求，需求的強度很高，要求滿足時效性的資源，一定要排在前面。又比如清晰度 飽和度調權，對大部分query而言，需求不是很強烈，調權時的力度就不能太大。
需求強弱的計算，和後面rank model的要求相關，理想的狀態是每個query，可以動態的計算在每個維度上的需求強弱，我們在這方面經驗不多，如果暫時不能做到准確的計算的話，暫時可以考慮人工指定的方式，比如針對不同的query分類，人工設定需求維度的強度。目前可以想到的一些方式：
用戶通過在query中包含需求詞的方式，表達自己的需求，這樣的為強需求。
比如，最新劉德華圖片，紅色寶馬
在用統計挖掘用戶需求的方法時，一般會選取某個維度的屬性，量化後計算它的統計特性，可以根據統計後該數值的分布情況，判斷需求的強弱。比如，時效性需求，某段時間內，該query檢索量突發特別大，是昨天檢索量的100倍，如果我們設定的阈值是2倍的話，那麼這個query就可認為時效性需求特別強。
又比如通過用戶點擊數據挖掘size需求，對於頭像類的query，大部分用戶點擊的是100*100的方圖，但是所占總點擊中的比例不是很高，比如只到60%，那麼對這個query而言，size需求是一般強度的需求。
識別出query有哪些需求，下一步的工作就是提供相應的資源。
如何獲得滿足需求的資源，是需求滿足的另一個核心問題。在資源上，通過某一個或者幾個特征組合，能夠把滿足要求的資源和不滿足要求的資源區分開，找到用戶需求需要的資源，去掉不滿足要求的資源，是主要的工作。
對內容屬性維度來說，可以分為底層的物理特征，中層的物體識別和高層的語義特征；對於底層的物理特征，相對比較簡單，我們現在可以利用的，包括尺寸，顏色，格式，清晰度飽和度等，中層特征，我們目前用到的不多，有人與非人的，色情圖片的，整車的識別，手機圖片的識別等；對於高層的語義特征，包括場景的識別，圖片風格的識別，是我們未來發展的方向。
類似的query分類的體系，也可以對資源進行相似的話題屬性分類，我們目前只做了站點級別的分類，效果不是很理想，主要原因一是站點粒度太粗了，二是站點分類的召回存在很大的問題。
我們希望能做到obj級別粒度的分類，至少是頁面級別的分類。如果有了話題屬性的分類，和query需求的分類相配合，可以達到事半功倍的效果。
我們目前時效性資源主要是挖掘的ps的時效性庫，和news的資源，和非時效性資源的區分是比較容易的。
明確了query的需求，挖掘了滿足需求的資源，那麼如何把滿足需求的資源rank到前端呢？
對於各種不同的需求維度，都有自己的調權的策略。比如格式調權，假設query有gif圖需求，對於gif的動態圖，權值乘了1.2，對於靜態圖要降權，權值乘了0.1。又比如時效性需求，直接在前三頁插入的時效性庫的結果，這是因為時效性需求是一個強需求維度，簡單的加權，不能保證結果調整到前三頁。從這些例子中可以看出，目前需求調權的策略就是2種類型：在總權值上調權，在最後排序結果上調序。
目前這種策略直接疊加的調權方式，優點是簡單，直接，缺點也比較多，最大的是不可控，一個維度上的調權，會對最後結果造成多大的影響，在多個調權維度上，他說的話，分量有多大，不知道。
未來的需求調權，首先應該把資源滿足需求的情況，做出細化的分檔，做到有直觀的物理含義，其次，根據該維度需求的強弱，把這個維度的打分反映到最終結果中去，究竟是跨檔調權還是檔內微調，比如：
強需求：符合要求的結果直接調到最高檔，比如時效性需求
一般需求：符合要求的結果，可以根據一定規則，提高自身檔位
弱需求：不能提升檔位，在同一檔內，做權值調整
前面已經完成了query需求識別，資源識別已經需求調權的工作，那麼用戶是否滿足了呢？搜索引擎最終是給用戶服務的，用戶覺得爽，才是最重要的目標。那麼如何知道用戶是否滿意呢？
用戶接收到搜索引擎的提供的信息後，會對這些信息做出反饋。這些反饋包括了用戶對搜索結果的點擊、對query的主動變換，以及這些行為之後的相關行為。通過對這些數據的分析，可以知道用戶的滿意度。
比如對需求識別的修正，通過用戶點擊反饋，可以知道query需求識別的是否正確，該需求是否該退場。比如時效性需求，被誤判的query或者應該退場的query，都可以通過用戶的反饋，來判定是否應該退場。
當然，這種方式是否合理還有待調研，畢竟用戶不點擊一張圖的原因有很多可能，有可能是需求識別的問題，有可能是該維度強弱識別的問題，也有可能是rank的問題。目前用戶反饋應用只有點擊調權，是否用戶的反饋可以在單獨的維度上有效，還需要詳細的調研分析。
另外，隨著時間的推移，query的需求是在不斷變化的，通過用戶的反饋，可以做出及時的調整。
之前做了很多需求滿足的工作，顏色，格式，尺寸，人臉，表情，頭像等等，分別是case by case來做的，其實他們之間存在著很多相似的地方。從調研過程來看，可以分為需求識別、資源滿足和需求調權三大部分。
這樣分散的各個點去做，有很多弊端，一是調研重復，效率低；二是前端調權系統像打補丁一樣，越來越亂，沒有形成清晰的體系框架。三是容易造成調權重復。
目前比較好的思路是建立需求滿足的體系框架，包括前端的需求分析和後端需求調權。前端分析清楚query包含哪些需求，以及每個需求的強弱，把這些信息傳遞給後端；後端首先要有各個需求所對應的資源，然後結合上面提到的需求調權，給每個obj一個合適的檔位和權值。
以後再做需求滿足類項目時，只需要調整前端的需求識別即可，如果沒有新增的需求維度，後端的資源和需求調權，都可以不用改動。
1. 分析用戶行為數據挖掘需求
用戶在搜索過程中，能夠被我們記錄下來的一切行為，比如點擊，翻頁，query變換，停留時間，去向，來源等等，利用好這些數據，就能更好地理解用戶的意圖。目前在這方面的應用還只有點擊調權，需要挖掘方面的應用還很少，是我們未來工作的重點方向。
2. 個性化需求挖掘
通過分析session，可以獲取個性化的用戶個體需求。目前我們結果的展示的好壞，主要是通過分析session，來判斷用戶的需求，而對於高頻query，展示的結果是大規模用戶的行為統計，得出的一個普適的模型，這個模型由於是統計出的，因此具有客觀性，可能會傷害一部分個性用戶。
3. 需求強度的識別
每個維度的需求，必須要有需求的強烈度，在各維度調權合並時，需求的強度決定了該維度的權值，比如時效性需求，需求的強度很高，要求滿足時效性的資源，一定要排在前面。又比如清晰度 飽和度調權，對大部分query而言，需求不是很強烈，調權時的力度就不能太大。
目前我們在query分類，query需求識別，query分析方面做了大量的工作，相比較而言，資源方面的建設，我們做的工作比較少，接下來希望推動obj級別的資源分類，內容屬性上的幾個資源分類：圖標資源識別，地圖資源識別，卡通動漫圖的識別，以及一些截圖的識別。
Image是浏覽型為主的產品，如何引導用戶更加方便的浏覽，是未來工作的重點之一。
我們已經嘗試了明星結果頁的query分類展示，未來我們希望能對更多類別的query，做主動引導。引用pm對主題式query的定義：“主題式”Query是指：Query指代的人、事、物中包含有多方面內容，具體表現為Query對應目前的檢索結果中存在明顯的多方面內容的混雜情況。其實就是指泛需求、多需求的query。
對於這種泛需求query的結果的展示樣式，這種分tab多結果頁的形式也未必是最優的，如何更好的發揮作用，需要更加深入的調研和創新的思路。
另外，還包括對rs展示優化，動態摘要的顯示和套圖展現等方面的持續升級。
Image需求滿足方向才剛剛起步，未來要向智能化，自動化，多樣化方向持續的發展。我們最終的目標是把需求滿足這個方向做沒了，需求挖掘，資源滿足全部自動化，做到“手中無劍 心中有劍”。