技术分享：
阿里云搜索推荐产品：
- 开放搜索（OpenSearch）：https://www.aliyun.com/product/opensearch
- 智能推荐（AIRec）：https://www.aliyun.com/product/bigdata/airec
1.1 语音/图像/视频检索
1.2 文本检索
1.3 搜索/推荐/广告
1.4 几乎覆盖了所有的 AI 场景
2.1 繁多的检索算法
2.2 面临的技术挑战
2.2.1 超大规模索引的精度和性能
2.2.2 分布式构建和检索
2.2.3 流式索引的在线更新
2.2.4 标签+向量的联合检索
2.2.5 复杂的多场景适配
3.1 核心能力
3.2 业内对比
3.2.1 检索对比
3.2.2 构建对比
3.2.3 异构计算
3.2.4 十亿规模
4.1阿里云智能搜索开发平台-开放搜索（OpenSearch）
4.2行业搜索应用
各个行业的搜索业务具有不同的行业特性和业务需求，开放搜索
4.2.1电商行业应用
开放搜索电商行业模板将行业搜索产品化落地，用户无需各方向技术探索，只需按模板接入即可拥有更优搜索服务，免去了大量的数据标注与模型训练工作，直接内置淘系搜索算法能力。支持个性化搜索与服务能力，通过引擎侧的多路召回能力，实现搜索结果、下拉提示、底纹词等重要服务，并根据电商行业变化，不断迭代更新原有能力，提供更高时效性的服务保障；
了解更多：https://www.aliyun.com/page-source//data-intelligence/activity/opensearch
4.2.2在线教育拍照搜题应用
开放搜索拍照搜题解决方案：
为什么搜题要做多路召回？
教育拍照搜题场景相比网页/电商的文本搜索有显著差异：
- 搜索query特别长：常规检索term数上限30，搜题需要放到100；
- 搜索query是由拍照OCR识别之后得到的文本，关键term的识别错误会严重影响召回排序；
纯文本查询方案
1. OR逻辑查询
- 为了降低无结果率，搜题客户常见的系统是基于ES默认的OR逻辑，latency高，计算消耗大；
- OpenSearch也支持OR逻辑，针对latency高可以通过并行seek的方式优化，但整体计算消耗仍然高；
2. AND逻辑查询
- 采用通用的query分析模块，无结果率高，整体准确性不如OR逻辑；
- 针对教育领域优化定制的query分析模块，大幅提高效果，准确性接近OR逻辑；
如何去兼顾计算消耗和搜索准确性那？我们在此引入了文本向量检索
文本向量检索
目标：通过文本向量检索扩召回，结合AND逻辑查询，做到latency和计算消耗低于OR逻辑的情况下准确性更高；
向量召回采用目前最先进的BERT模型，其中针对教育搜题做的特别优化有：
- BERT模型采用达摩院自研的StructBERT，并针对教育行业定制模型；
- 向量检索引擎采用达摩院自研的proxima引擎，准确性和运行速度远超开源系统；
- 训练数据可以基于客户的搜索日志不断积累，效果持续提升；
这个图我们可以看到有一项召回，在召回率上已经达到凹逻辑。同时在准确性上现在超出2逻辑3到5个点，整体的召回到数减少40倍的情况下，latency 可以降低10倍以上。
效果：
- 召回率达到OR逻辑
- 准确性超出OR逻辑3%-5%
- 整体召回doc数量减少40倍，latency降低10倍以上
文本召回和语义向量召回的结合在搜题场景已经验证有效，开放搜索的多路召回架构还将有更多的使用空间：图片向量召回、公式召回、个性化召回。
除了开放搜索内置的向量模型，我们也将支持客户自己的向量索引，欢迎客户和我们一起深耕搜题算法优化。
了解更多:https://www.aliyun.com/page-source/data-intelligence/activity/edusearch