System Search
Hệ thống Search được thiết kế như một lớp ứng dụng của CDP, nơi mọi truy vấn tìm kiếm đều được xử lý và xếp hạng dựa trên dữ liệu hành vi thực tế của người dùng.
Đối với các hệ thống Search , hầu hết các mô hình triển khai thực tế đều tuân theo một cấu trúc tương tự. Cụ thể, toàn bộ quy trình thường được chia thành hai trục chính:
Môi trường xử lý: tách biệt giữa offline (huấn luyện, xây dựng dữ liệu nền) và online (xử lý truy vấn thời gian thực).
Giai đoạn xử lý: bao gồm hai bước chính là retrieval (truy xuất ứng viên) và ranking (xếp hạng kết quả).
Hình minh họa dưới đây mô tả mô hình “2 x 2” giúp đơn giản hóa và làm rõ cấu trúc này:
Môi trường Offline và Online trong hệ thống Search
Môi trường offline chủ yếu phục vụ các tiến trình xử lý theo lô (batch processes) như:
Xây dựng model ranking (ví dụ: , mô hình xếp hạng – ranking).
Sinh vector embedding cho toàn bộ sản phẩm trong Product feed.
Xây dựng chỉ mục lân cận gần ( Index) để tìm các item tương tự.
Tải dữ liệu Product và Behavior Customer vào Feature Store, nơi sẽ được dùng để bổ sung đặc trưng cho dữ liệu đầu vào trong giai đoạn xếp hạng.
Tracking hành vi click product sau khi nhận kết quả
Môi trường online sử dụng các “data” đã được tạo ra từ offline (như Index, mô hình, feature store) để phục vụ các yêu cầu truy vấn thời gian thực của người dùng. Quy trình điển hình gồm các bước:
Xử lý điều kiện đầu vào.
Thực hiện truy xuất ứng viên (candidate retrieval).
Xử lý Score (boosting score)
Tiến hành xếp hạng (ranking).
Để hình dung rõ hơn toàn bộ luồng hoạt động từ khi dữ liệu được xử lý đến khi kết quả tìm kiếm được trả về cho người dùng, sơ đồ dưới đây trình bày chi tiết cách hệ thống Search vận hành giữa hai môi trường Offline và Online.
Ví dụ luồng hoạt động của hệ thống Search
Giả sử người dùng tìm kiếm từ khóa “thịt heo” trên trang web:
Client → Query Người dùng nhập từ khóa “thịt heo”. Request được gửi đến hệ thống Search Service.
Search Service – Filter & Keyword Handling
Hệ thống xử lý cú pháp, tách từ khóa và kiểm tra điều kiện lọc (ví dụ: danh mục sản phẩm, promotion, price).
Tiếp theo, Search Service xác định xem từ khóa có khớp chính xác (exact match) với tên sản phẩm nào trong hệ thống hay không.
Filter “exact match”
Nếu YES: Hệ thống chỉ truy vấn theo trường
"title"(tên sản phẩm).query_by = "title" pinned = product_ads→ Ví dụ: “thịt heo rừng” sẽ được hiển thị.
Nếu NO: Hệ thống mở rộng phạm vi tìm kiếm theo nhiều trường:
"title"và"category", đồng thời gán trọng số khác nhau.query_by = "title,category" query_by_weights = "1,5" pinned = product_ads→ Giúp lấy thêm các sản phẩm có liên quan trong cùng danh mục “thịt heo” Note:
pinned = product_ads→ ghim các sản phẩm quảng cáo lên đầu danh sách ứng viên trước khi thực hiện boosting/ranking.
Boosting Score – Ưu tiên kết quả Sau khi lấy được danh sách sản phẩm từ Typesense, hệ thống tăng điểm ưu tiên (boost) cho các sản phẩm:
Đã từng được người dùng click nhiều nhất cho từ khóa này.
Hoặc đã từng được chính khách hàng này mua trước đó.
→ Ví dụ: Nếu người dùng từng mua “Ba rọi heo” thì sản phẩm đó sẽ được đẩy lên cao hơn trong danh sách kết quả cho từ khóa “thịt heo”.
Ranking Model – Xếp hạng kết quả Dữ liệu đã được boost score sẽ được gửi vào mô hình xếp hạng (Ranking Model). Mô hình này tính toán điểm tổng hợp dựa trên nhiều yếu tố (độ phù hợp, hành vi người dùng, quảng cáo được ghim, v.v.) để sắp xếp thứ tự hiển thị cuối cùng.
Return Data – Trả kết quả cho người dùng Hệ thống trả về danh sách sản phẩm đã được xếp hạng tối ưu lên giao diện người dùng.
History Click after Search – Ghi nhận hành vi Khi người dùng click vào sản phẩm, hành vi này được ghi nhận lại vào History Click để:
Cập nhật dữ liệu học cho mô hình Ranking (offline retraining).
Nâng độ chính xác cho các lần tìm kiếm sau.
Tổng kết lại, Search hoạt động như một lớp ứng dụng tận dụng dữ liệu CDP để hiểu rõ người dùng hơn. Mỗi kết quả được trả về không chỉ dựa trên độ khớp của từ khóa, mà còn dựa trên hành vi, lịch sử tương tác và khả năng chuyển đổi của người dùng, giúp kết quả tìm kiếm trở nên chính xác và mang tính cá nhân hóa cao hơn.
Last updated