搜索功能

索搜功能的设计与逻辑

概括

用户体验（设计）

样式UI设计、交互设计

用户搜索前、搜索中以及搜索后用户对我们的功能的感知

功能实现（逻辑）

聚焦用户对问题的输入，和我们结果的输出（结果匹配度）

搜索的设计

用户路径地图

用户使用产品 - 有疑问需要搜索解决 - 看见搜索功能 - 点击搜索功能（展开输入框） - 输入问题 - 点击确认等到结果反馈 - 翻阅搜索结果 - 选择结果进行查阅。

搜索前

对于搜索核心的定义，那就是搜索功能核心在于解决用户的疑问，给予用户满意的答案

根据当前场景进行选择放大、缩小搜索对于用户的感官。在越容易产生疑问的地方选择使用输入框搜索作为设计方案，而在不容产生问题的地方还是可以选择搜索图标作为解决方案。

文案引导

引导使用文案

推荐搜素文案

搜索中

用户点击搜索功能输入问题这段时间，我们看作搜索中

当前页面直接进行搜索

PC端常见

pc页面有大面积区域可使用，可以尽情展示内容所以常见。

搜索独立页面

移动端常见

因受限于手机屏幕大小，在不跳转页面直接搜索的情况下我们可展示的内容过于受限。而采用了新页面承载搜索，那就可以提供更多的功能和内容。

可以通过后台管理功能，尽情的增加热门搜索的内容。

在用户输入内容后，我们对输入内容进行联想展示，方便用户选择他想搜索的实际内容，提高搜索的易用性和便捷性。

联想展示内容不易过多，控制在7个词条左右就行，过多词条会干扰用户阅读。展示内容需要有独立一套逻辑支撑，需要明确告知研发，为什么显示这些内容？这些内容排序依据是什么等。

从提高搜索的易用性和便捷性这个目的出发，我们可以收录用户近期历史搜索，以便用户再次搜索相同问题。

历史记录每次展示几个，可参考7+-2法则控制数量。（一般人的短时记忆容量约为7个加减2个，即5--9之间。可以理解为7加减2个组块。）

搜索后

搜索结果的展示在移动端上一般是双排和单排展示。

双排能够展示更多的搜索结果。单排能对搜索结果展示更多的信息。到这里基本对于搜索功能的原型就没有问题，下面开始说说搜索功能的逻辑部分。

搜索的逻辑

结论：看似简单的搜索其实并不只是由简单的sql（数据操作语言）进行全数据库搜索，里面还涉及对用户搜索问题的、分词、纠错、预测、召回以及排序排序。

分词

对输入的文字进行拆分，就叫分词。分词核心在于分词法以及特性字词典库。

分词也叫NLP（自然语言处理分析）算是AI人工智能的一个分支

方式

1、逐词匹配

给你一句话，这时你需要将他们分成两两相对或三三相对的词条，但是你并不知道如何那几个相邻的字能够组成字条。那么索性你直接拿着这句话去翻新欢词典，从头到尾翻一次，发现没有符合的时候，就删除最后一个字，在去翻词典。

2、正向最大匹配法

按照我们的阅读习惯，从左到右进行匹配，而其中的最大的含义就是当出现多个匹配词条时，以字数最多的词条为准。

有个用户搜索：“成都动物园在哪里”。这个时候进行第一次词典查询，按在最大的词“成都动物园在哪里”进行查询，发现没有匹配。进行第二次查询，这次查询“成都动物园在哪”，同样没发现匹配。进行第三次查询，这次是“成都动物园在”，还是发现没有匹配的。第四匹配的时候，这次匹配“成都动物园”，结果在词条里面检索到了。

保留结果是“成都动物园”。随后便去除“成都动物园”变成“在哪里”重新开始检索。这样根据我们的词典进行分词，我们可以得到结果：“成都动物园”“在”“哪里”。

3、逆向最大匹配法

逻辑和正向匹配相同，唯一的区别在于它是从右到左，每次减去开头的字。

以“成都动物园在哪里”为例。第一次词典查询，按在最大的词“成都动物园在哪里”进行查询，发现没有匹配。进行第二次查询，这次查询“都动物园在哪里”，同样没发现匹配。进行第三次查询，这次是“动物园在哪里”，还是发现没有匹配的。.......最后在第七次查询我们得到“哪里”，随后便去除“哪里”对““都动物园在”进行检索。

当同样的逻辑缩减到“在”后，还是没有相对应的词典，那么将“在”也单独剔出，开始检索“成都动物园”。这样第一次检索就成功检索出来，得到结果“哪里”“在”“成都动物园”这样的分词。因为是反向其实结果和正向结果相同。

4、双向匹配

这种匹配法是为了更加准确的分词出现，把正向和反向两种算法都切一遍，然后根据词条颗粒度来进行选择。分词的词条越长越好，非词典词和单字词越少越好的原则，选出这里面最合适的进行匹配。

例如：非词典内的词：正向匹配（1）> 反向匹配（0） 选择反向词典内的单字：正向匹配（2）= 反向匹配（2） 持平不做选择总分词数量：正向匹配（3）< 反向匹配（2）选择反向

词意纠错

词意纠错也是搜索里重要的一环节，在搜索的时候，打错字说错话是很常见场景（语言搜索）。

1、拼音纠错

当输入的汉字存在错误时，系统需要及时联系上下文进行解析，可以将汉字转换成拼音，通过同拼音进行识别，比如“如何吧大象放入病象”，把他们未能分词成功单独留下的汉字转化成拼音“如何“”ba“”大象“”放入“”bing“”xiang”在查询字典进行处理。

2、模型算法

这部分高于繁琐，想了解的可自行搜索：SVM、Maxent等

类目预测

用户使用搜索功能在于得到解答，所以我们需要理解用户搜索内容的含义。

比如用户搜索苹果的时候，她搜索的是吃的苹果还是苹果手机了。一个吃一个用这两个答案是风马牛不相及的，所以预测类目会对用户搜索结果影响很大。

1、人工配置

通过后端埋点日志搜集最近热门的搜索词，对这些搜索词进行指定配置，这样就可以保证当用户搜索苹果的时候出来的是苹果手机，而不是真的苹果。

2、类目相关性

通过对搜索词进行算法计算，从搜索词的重要性、类目数、类目出现次数、搜索词出现次数等进行计算。代表性tf-dc算法。

结果排序

比如搜索苹果手机，出现的结果是10万+条商品信息，那么谁排第一。就需要从权重出发进行权重排序。（商品少也可以按照最新更新时间排序）。

1、词频：对搜索对query进行分词处理，在进行预测类目后对高词频内容优先展示

3、时间段：对当前时段营业（客服在线）进行加权

4、销量、好评率：同理这就不说了

5、商品时效：对新更新商品进行加权，可用于互冲旧商品销量、好评的加

6、付费：竞价广告、付费升权等