外卖系统中的搜索架构：主搜与垂搜详解

当我们打开外卖APP，核心诉求就是“找吃的”。这个看似简单的过程，背后其实由两套不同的搜索系统接力完成：主搜（全局搜索） 和 垂搜（垂直搜索）。从技术实现上看，这是一个典型的 “召回-粗排-精排-重排” 的工业级搜索架构。

一、主搜：负责“猜你想要什么”的快速导览

主搜的技术目标是在百毫秒内，从亿级商品和百万级商家中，快速筛选出千级别相关结果，并进行智能排序。这个过程主要分为召回和排序两大阶段。

1. 召回阶段：多路并发，广撒网

• 倒排索引：这是搜索引擎的核心技术。系统预先建立“关键词->商家ID列表”的索引库。搜索“酸菜鱼”时，直接通过倒排索引找到所有相关商家。
• 多路召回策略：系统并行执行多个召回通道：

• 文本召回：匹配商家名、菜品名中的关键词
• 语义召回：使用BERT等语义模型，理解“番茄”和“西红柿”的语义关联
• 向量召回：将搜索词和商品转换为向量，通过向量相似度查找
• 热门召回：确保热门商家不被遗漏
• 个性化召回：基于用户历史偏好召回相似商家

2. 排序阶段：从粗排到精排

• 粗排模型：由于召回结果过多（可能上万），先用轻量级模型快速筛选至千级别。主要考虑核心特征：距离、基础销量、评分等。
• 精排模型：对粗排结果使用复杂机器学习模型进行精细排序：

# 精排模型考虑数百维特征
排序分数 = f(距离特征, 实时销量, 历史评分, 用户偏好, 商业化权重, 上下文特征)

• 实时特征：当前时段、天气、用户实时位置
• 用户画像：历史偏好、价格敏感度、口味偏好
• 商业化因素：广告出价、推广预算
• 上下文特征：搜索意图分类（找品牌？找品类？解馋？）

主搜就像一个站在美食城门口的智能接待机器人。你告诉他“我想吃酸菜鱼”，他通过内置的多种传感器（多路召回）和大脑中的AI算法（精排模型），迅速指出最优方向。

二、垂搜：负责“帮你精准筛选”的实时过滤引擎

当进入搜索结果页，垂搜开始接管。它的技术特点是实时过滤和灵活重排，基于主搜的结果进行精细化处理。

1. 技术基础：正排索引与属性存储
每个商家被存储为包含所有属性的文档：

{
  "shop_id": 12345,
  "shop_name": "川味坊",
  "rating": 4.7,
  "avg_price": 45,
  "monthly_sales": 2856,
  "delivery_time": 30,
  "tags": ["川菜", "麻辣", "优惠券"],
  "location": {"lat": 39.9042, "lng": 116.4074}
}

2. 筛选器技术实现

• 布尔过滤：每个筛选条件转化为布尔表达式

• “评分4.5以上” → rating >= 4.5
• “人均30-50元” → avg_price BETWEEN 30 AND 50

• 位图索引：对分类等枚举字段，使用位图技术快速求交集
• 多维度排序：支持按不同字段实时重排，底层依赖Lucene/Elasticsearch的排序能力

3. 重排机制
当用户选择“按距离排序”时，垂搜不再使用主搜的复杂模型分数，而是基于单一维度重新计算：

新排序 = sort_by(remaining_shops, 'distance')

垂搜就像是你进入美食街后遇到的专业餐厅管理系统。你提出具体需求，系统通过实时数据库查询和过滤算法，精准呈现结果。

三、技术协同：从算法到底层的完整架构

1. 完整搜索流程

用户搜索 → 查询理解 → 主搜(召回→粗排→精排) → 垂搜(属性加载→实时过滤→重排) → 前端渲染

2. 数据流与系统优化

• 缓存策略：热门搜索词的结果在Redis中缓存，减轻数据库压力
• 降级策略：当精排模型超时时，自动降级到粗排结果
• AB实验：在线测试不同排序模型的效果
• 实时反馈：用户点击行为实时反馈至模型，优化后续排序

3. 与推荐系统的融合
现代外卖搜索已超越单纯检索，融入了推荐思想：

• 混排机制：当搜索结果不足时，自动补充个性化推荐结果
• 多样性控制：避免同一品类商家过度集中，保证结果多样性
• 探索与利用：适当展示新商家，收集用户反馈数据

四、技术演进方向

当前系统仍在持续进化：

• 多模态搜索：通过菜品图片直接搜索相似商品
• 端侧智能：在手机端预加载个性化模型，提升响应速度
• 强化学习：根据长期用户满意度优化排序策略
• 联邦学习：在保护隐私的前提下利用更多用户数据

总结：技术视角的分工

• 主搜 = 倒排索引 + 多路召回 + 粗排/精排模型

• 解决“从哪里开始找”的问题
• 技术核心：相关性、智能化、响应速度

• 垂搜 = 正排索引 + 布尔过滤 + 多维度排序

• 解决“如何找到最满意的那一个”的问题
• 技术核心：精确性、实时性、用户控制

这种架构设计在工程上实现了完美的关注点分离：主搜专注“理解意图”，垂搜专注“满足要求”。它们共同构成了一个既智能又可控的外卖搜索体验，在算法复杂度和系统性能之间取得了最佳平衡。