Swiggy cải thiện tính năng Autocomplete với hệ thống xếp hạng Machine Learning thời gian thực

Swiggy, một trong những nền tảng giao đồ ăn và giao hàng hàng đầu, đã chia sẻ chi tiết về kiến trúc kỹ thuật đằng sau tính năng gợi ý tìm kiếm tự động (autocomplete) mới của mình. Hệ thống này sử dụng mô hình xếp hạng machine learning (ML) thời gian thực được xây dựng trên nền tảng OpenSearch, nhằm thay thế phương pháp xếp hạng heuristic (dựa trên quy tắc) cũ kỹ.

Theo Swiggy, các yêu cầu autocomplete đặc biệt nhạy cảm về độ trễ (latency) vì mỗi lần người dùng gõ phím đều có thể kích hoạt một truy vấn tìm kiếm mới. Do đó, các hệ thống truyền thống thường dựa vào đối sánh từ vựng (lexical matching) và các quy tắc xếp hạng tĩnh để tối ưu hóa tốc độ. Tuy nhiên, cách tiếp cận mới của Swiggy tách quy trình làm việc thành hai giai đoạn chính: tạo ứng viên (candidate generation) và xếp hạng (ranking).

So sánh độ trễ giữa dịch vụ xếp hạng ML truyền thống và OpenSearch LTR

Khi người dùng bắt đầu nhập liệu, hệ thống trước tiên truy xuất một tập hợp rộng các gợi ý ứng viên sử dụng kết hợp giữa phương pháp truy xuất từ vựng của OpenSearch và tìm kiếm dựa trên sự tương đồng (embedding-based similarity search). Lớp truy xuất này được tối ưu hóa cho khả năng bao quát (recall) và thời gian phản hồi nhanh.

Sau đó, các gợi ý ứng viên sẽ được chuyển sang lớp xếp hạng, nơi các mô hình machine learning sắp xếp lại kết quả dựa trên độ liên quan dự đoán. Hệ thống xếp hạng kết hợp các tín hiệu thời gian thực như lịch sử tương tác của người dùng, hành vi nhấp chuột, ngữ cảnh truy vấn và độ phổ biến của món ăn.

Để đạt được hiệu suất cao, Swiggy sử dụng một feature store (kho lưu trữ đặc trưng) để phục vụ cả các đặc trưng được tính toán trước và các đặc trưng luồng (streaming). Điều này giúp hệ thống tránh được các tính toán tốn kém trong thời gian thực nhưng vẫn phản ứng kịp thời với hành vi người dùng gần đây. Lớp xếp hạng được xây dựng bằng phương pháp "Learning to Rank" (LTR) tích hợp trực tiếp với OpenSearch, thường sử dụng các khung như OpenSearch LTR và các mô hình cây tăng cường gradient (gradient boosted tree) như XGBoost.

/filters:no_upscale()/news/2026/05/swiggy-autocomplete-rt-ranking/en/resources/1Screenshot 2026-05-16 at 4.53.26 PM-1778975637105.png)

Kiến trúc này được thiết kế để hoạt động dưới các yêu cầu hiệu suất khắt khe. Thay vì dựa vào các mô hình deep learning phức tạp trên đường dẫn trực tuyến (online path), hệ thống cân bằng độ phức tạp của mô hình với hiệu suất phục vụ để duy trì khả năng phản hồi ở quy mô lớn.

Điểm nổi bật của nền tảng này là vòng lặp phản hồi liên tục (continuous feedback loop). Các dữ liệu tương tác của người dùng như tỷ lệ nhấp chuột (CTR), chuyển đổi và hành vi đặt hàng được truyền vào các đường ống đào tạo ngoại tuyến (offline training pipelines). Tại đây, các mô hình xếp hạng được cập nhật và lưu trong một model registry trước khi được triển khai vào dịch vụ xếp hạng trực tuyến. Điều này cho phép hệ thống autocomplete thích ứng với các xu hướng mới mà không cần cập nhật thủ công các quy tắc.

Theo các kỹ sư của Swiggy, thiết kế này tích hợp machine learning vào một thành phần vốn được điều khiển bởi quy tắc và truy xuất mà không làm ảnh hưởng đến độ trễ. Việc tách biệt tạo ứng viên và xếp hạng cho phép mỗi giai đoạn được tối ưu hóa độc lập, đảm bảo tính nhất quán giữa môi trường đào tạo và phục vụ.