新一代海量数据搜索引擎 TurboSearch 来了

2020-05-29 00:00:00 索引 数据 能力 检索 召回

一. TurboSearch 简介

AI 平台部多年一直在搜索领域进行深耕和积累，继搜搜网页搜索之后，陆续服务于微信搜一搜（公众号文章、朋友圈、视频）、应用宝搜索、地图搜索、音乐搜索、视频搜索、手 Q、QQ 群等精品垂直搜索业务，以及云搜中小数据搜索业务。

从网页搜索继承下来的搜索系统，经过多年的需求迭代，越来越难以支撑结构级新特性更新。因此我们投入精力对整体系统重构和优化，重新构建了大规模、轻量级、松耦合、可裁剪、低运营成本 具有完整解决方案 的新一代搜索系统 TurboSearch 。主要有以下特性：

  • 完整的 分布式、海量 搜索系统及运营解决方案
  • 支持便捷 私有化部署
  • 高性能索引及 并行检索
  • 支持 多粒度索引 及检索
  • 支持普通检索、分类检索、WAND 及精细化的检索层过滤逻辑
  • 核心组件 解耦，支持横向扩展，能力可裁剪
  • 无缝对接 AI 平台部搜索中心各项 NLP 能力，涵盖 Query 分析及排序等多个领域
  • 支持场景丰富，除传统的网页和各类非结构化垂类场景外，同时 可扩展 到多模态向量搜索场景

与业界部分开源引擎框架 ElasticSeach，Solr 等不同的是，TurboSearch 更倾向于面向在线 *高并发、大规模、低时延* 的检索需求，同时能够平行扩展到多模态场景，并提供完整的搜索运营能力。TurboSearch 在将会分层次和分阶段逐步在公司内部开源。

在 多模态/向量检索 领域，AI 平台部已经推出 GNES 检索系统，聚焦于内容对象的 Encoding，以及多种算法模型的平台化整合。同样在向量检索领域，TurboSearch 会逐步从索引层面，探索针对大规模向量数据集的高性能检索。并从向量索引、及系统化运营层面为 GNES 提供支持。

二. 引擎框架介绍

TurboSearch 引擎主要有六大核心能力：

  • 搜索核心组件：基础核心能力抽象和组件化，便于扩展，如索引计算、检索核心等。同时为了降低多进程资源开销，构建了多线程 C++ 检索通信框架 smqRPC。
  • 搜索基础服务：基于搜索核心组件分层包装的检索服务，主要包括离线索引、在线检索及检索接入三大层次。支持包括内存、磁盘索引在内的分布式索引及检索环境。
  • 搜索 OSS 体系：包括离线索引生成、在线索引滚动更新、检索干预、ABTest 等多项能力。后续将进一步完善包括好例、离线效果评估等其它精细化运营系统。
  • 效果扩展组件：搜索效果随业务场景而变化，我们将打分排序解耦剥离，内置部分基础相关性排序功能，也可自定义排序。
  • API 组件：提供包括 SDK、smq 协议访问及 HTTP RESTful 接口等多种访问方式。
  • Query 分析能力：除了基础的分词之外，也具备同义词、纠错、时新性计算、意图识别、成分分析、非比留、新词发现等全面能力。

TurboSearch 基础框架：

三. 引擎特性

1. Query 检索召回

检索多次下发

一个 Query 的搜索过程可以分为以下几个主要部分：

  • Query 分析（适用于网页和垂搜），包括切词、纠错、拓展、改写等。
  • 检索召回，包括倒排求交、截断合并等。
  • 打分排序，在 TurboSearch 中包含多层 rank 提高召回率。

然而，单次 Query 召回往往并不能达到搜索预期。比如，搜索 “吃鸡”，只召回吃饭相关的文章可能难以命中用户意图。将其拓展为 “和平精英”，或其他热点事件 Query，并将多次拓展结果融合，更容易命中用户意图。因此 TurboSearch 应对这样的 NLP 拓展能力，原生支持多次下发结果融合。

2. QRW & 分层打分排序

QRW 是 AI 平台部多年积累的 Query 分析 NLP 服务，除了覆盖垂搜所需的 纠错 同义词/非比留/基础相关性等基础能力之外，也涵盖了全网搜索所需具备的全部能力，如 Query 改写/时新性/意图识别/成分分析/文本分档 等等。

在排序和召回层面，TurboSearch 设计了 5 层 Rank 来大化提高召回率，从 L0 - L4 覆盖离线、倒排求交、精计算、全局精排等多个层面，为每个可能漏招环节做保障。

3. 高性能检索

并行检索

文本检索召回的基础即倒排求交：

耗时部分集中在 求交+L1 打分 和 L3 打分。在传统的程序设计中，这两部分均在单线程中串行执行。使得在高频词检索求交时，单次请求耗时难以控制。

TurboSearch 针对两个高耗时流程，采用 多线程并行处理。将倒排索引切分，来并行化检索求交+L1：

我们做了一些 特殊的无锁多线程结果合并设计，避免合并结果等待导致闲置 CPU 的问题。负载未达 时，平均检索耗时可大幅降低（数据集为长文本新闻数据 250w）：

Weak-AND

Weak-AND 在广告或推荐等小数据集召回场景下，已经有较多的应用。在海量数据检索中，TurboSearch 正探索其在 长 Query 召回场景 下的应用。通过结合 Weak-AND 与 AND，平衡召回率和检索性能。

Weak-AND 的性能优化和场景探索将持续进行。

倒排性能优化

求交召回过程中，倒排的索引结构设计，对求交耗时影响较大。内存实时索引倒排在设计上具有以下特性：

  • 倒排索引需要支持 高性能同时读写，写入新文档和读取倒排求交的能力。
  • 需要写入 共享内存 避免进程停止导致索引需要重新加载。
  • 倒排链中，存储块越多，性能越差，尽量避免倒排块数量过多。

TurboSearch 对内存倒排索引做以下设计：

其中：

  • BuddyAllocator 单线程运行， 分配释放处理能力达 1000w/s。
  • 分超小块 CombinedChunk 和普通 SingleSlice，解决超短倒排存储率问题。
  • 小块 SingleSlice 合并为大 SingleSlice，解决超长倒排中倒排块过多问题。

对比老架构固定块倒排索引：

4. 多粒度索引

不同于 N-gram 这种暴力索引方式，多粒度索引专注于文档与 Query 中的隐性词组发现，对正常分词补充。检索时先进行粗粒度词召回，如果粗粒度无结果或结果偏少，将再次进行细粒度词召回。通过这个方式来解决松散召回导致的紧邻结果截断问题。

如 “海底捞万象城店” 对应的粗粒度索引为 “P:海底捞 万象城 店”，保证结果能紧邻命中召回，如果在粗粒度检索无结果时，将再次使用 “海底捞”、“万象城”、“店” 进行检索召回。既保证了准确性，也能兼顾召回率。

5. 海量数据索引支持

对于海量数据搜索业务场景，脱胎于网页搜索的 TurboSearch 继承三种类型的索引集群结构:

  • FOB，全内存索引，支持实时增删。
  • GOB/NOB，内存倒排+正排，磁盘摘要，不支持实时增删。
  • WOB，磁盘索引，不支持实时增删。

根据不用搜索业务数据场景需求，可将各类索引集群组合达到设计目标。

6. 核心逻辑功能插件拓展

TurboSearch 引擎考虑到自定义功能开发拓展，目前对以下核心功能做了插件支持：

  • 过滤库 filter
  • 打分库 score
  • 求交 intersect
  • 语法树 syntax
  • 分词库 segment

7. 私有化部署

TurboSearch 整体设计上支持私有化部署。在公司内网环境运营时，可使用已有的服务组件，如 CL5（名字服务）、Sumeru（资源管理） 等。然而在私有化部署场景下，这些公共服务难以一同打包部署。因此 TurboSearch 对这些功能 均有 内建相应能力，可选择使用，并基于以下设计支持私有化实现：

  • 开发和部署上，较少的内部环境和外部项目依赖。
  • 从运营系统、DB 环境、服务模块均可支持 Docker 部署。
  • 完善独立设计的路由管理和资源管理。

四. 系统运营

1. 离线、在线运营架构

以较小数据量的 FOB（实时内存索引系统）集群为例，离线、在线运营系统通过以下设计保证稳定持续服务：

  • 全量数据平滑无缝版本更新，确保线上服务 不受数据滚动影响。
  • 实时数据与全量滚动无缝衔接，确保滚动 不会导致实时数据缺失。

2. 干预系统

在现网运营中，检索召回排序无法保证所有 Query 达到佳。对于一些突发高曝光 Badcase，需要有 临时干预能力。TurboSearch 在接入层设计了干预系统，并沉淀积累了大量干预策略，可覆盖现网运营大部分干预需求。**主要支持两大类干预类型：

  • 通用干预规则，系统预先定义和实现了具体的干预处理逻辑。
  • 自定义干预规则，提供干预规则的读写接口，满足不同业务的特定干预需求。

3. 全流程检索、数据诊断

在持续优化的海量数据搜索业务运营过程中，会有持续或突发的 Badcase 需要定位。而一个海量数据搜索业务中，一般都是 *多集群、多机服务、多层逻辑* 的复杂系统。在整体系统中定位和诊断 Badcase 是一个复杂而困难的工作。比如一篇文档未被召回有以下多种可能：**
**

  • 文档数据入库问题，某些原因数据被删除或未入库。
  • 求交篇数阶段问题，由于在线检索考虑耗时和性能问题，无法做到全求交召回，召回太多被截断。
  • 求交超时截断问题，出于耗时限制，超高频词之间的求交过程常常会出现超时截断。
  • L1 打分低未进入 L3，L1 取 Top300 进入 L3，因此 L1 打分过低可能导致无法召回。
  • L3 打分低被合并截断，每一层检索转发 access 服务均会对召回结果按照打分取 TopN 截断返回。
  • L4 打分低或被过滤，多集群召回融合打分会丢弃掉一些文档。
  • 语法树本身无法召回目标文档，下发的语法树全求交也不可能召回目标文档。
  • …

一篇文章有如此繁多的漏召回可能性。TurboSearch 从在线服务模块和离线数据流程两个方面入手，设计全流程的诊断，来协助快速定位召回和数据问题。

五. 应用场景和展望

目前 TurboSearch 已可应用在 传统文本搜索、关系链搜索、LBS 位置相关搜索、中心聚类向量搜索 等场景。在持续改进引擎现有功能之外，我们还会做更多的探索：

  • 持续优化 WAND 检索性能，以及分析拓展其使用的 Query 场景。
  • 探索基于倒排索引，引入 知识实体的链接类搜索，比如搜索 “腾讯总办”，可从索引层面召回相应结果。
  • 在 多模态/向量检索 领域，探索新结构索引，比如图式、树式索引来优化向量检索性能和效果。
  • 逐步开源开放整个引擎，并构建协同开发生态。

相关文章