在電商領域里，搜索是一種最直接的用戶消費的場景。每個用戶進入一個app，都有自己的一些意圖，比如想買鞋子、想買衣服，而且對一些品牌以及顏色風格都有一定的要求。因此搜索對於商品的觸達是非常重要的。
我這里就針對自己的理解，對個性化的搜索做一個粗略的總結。一般來說app內的搜索都會經歷下面幾個階段：
- 應用的初期：基於關鍵字的搜索
- 應用的發展期：基於主副標題的全文檢索
- 應用的成熟期：針對搜索進行排名優化
- 應用的進化期：個性化的搜索
下面就針對各個階段描述下大概的過程。
關鍵字搜索
在應用最開始的階段，應用內的內容不多，用戶量也比較小，比如剛剛建立起來的電商網站和應用商店等。主要可以借助關鍵字進行搜索的匹配的，比如電商網站存儲下面的表：
| 關鍵字 | 商品 |
|---|---|
| 耐克 | 001 |
| Nike | 001 |
| 阿迪達斯 | 002 |
| 三葉草 | 002 |
| adidas | 002 |
這樣在搜索的時候可以直接基於關鍵字定位到商品。這種方式針對於最基本的數據庫就可以實現。
全文檢索
隨着應用的完善，直接基於關鍵字的匹配難以維護。因為商品逐漸增多，用戶搜索的關鍵字變化也越開越大，單靠業務規則來定義關鍵字和商品的關系就太麻煩了，因此就引入了全文檢索的系統。
關於全文檢索的技術，說的通俗一點，就是維護了關鍵字跟相關“文檔”的關系。舉個典型的例子——詞典，我們想要在詞典中快速查一個英文漢字最簡單的方式，就是通過目錄進行定位，然后懂啊指定的頁碼去查找對應的字；而不是一頁一頁的遍歷尋找。
比如，在商品的列表中，商品的主標題有下面的內容：
- 001doc的內容是：“2017年耐克最新款”
- 002doc的內容是：“小明同款 黑色耐克”
- ...
然后針對上面的文檔進行分詞建立倒排索引，就形成了：
| 關鍵字 | 文檔位置 |
|---|---|
| 耐克 | 001doc,2,3 002doc,4,5 |
| 阿迪達斯 | 003doc,6,7 004doc,1,3 |
這樣搜索耐克的時候，就可以直接基於后面的文檔位置定位到目標的內容。
從另一方面來說，商品主要的搜索內容來源就是主標題和副標題。大家有興趣的可以參考淘寶京東，看一下它們的商品標題的定義規則。當然商品的標題也是需要經過統一的設置培訓的，不能賣一個牙膏，結果起的名字是一個身穿阿瑪尼手握iphone x，帶着阿瑪尼開着瑪莎拉蒂的b血型雙子座青春美少男早晨專用的牙膏——這不是扯淡么！
試想一下，搜索阿瑪尼的時候，搜出來這個牙膏，得有多崩潰。因此，app的管理員一定要做好商品維護的培訓，盡可能的讓商品的標題突出商品的核心競爭力、當下熱門的話題、主要的屬性用途等等，盡量不要放一些不相關的內容。
主副標題定義好，就可以直接基於一些全文檢索系統實現檢索查詢了。比如Elasticsearch, es也支持各種分詞的插件，也可以讓用戶自定義分詞插件。這樣主副標題會根搜索的關鍵詞以同樣的方式進行分詞，分詞后才能通過關鍵字進行搜索。
另外，要注意的是搜索要符合用戶的操作習慣。比如在淘寶中，搜索關鍵詞運動鞋就會出來匹配的商品；搜索運動鞋 男 白色，就會出現白色的男款運動鞋，而不是白色的衣服、男性的洗面奶、女性的運動鞋。當然，如果沒有同時滿足幾個條件的商品，可以提示沒有xxx相關的商品，我們為您推薦下面的商品，然后就可以使用or的關系進行搜索了。
搜索排名優化
基本的全文檢索已經做完了，默認來說，elasticsearch按照關鍵詞的匹配做的分值的排序。各種app可以根據自己的業務需求，來進行排序規則的設置。比如一半的電商平台，都會又很多的賣家入駐，因此賣家之間會形成競爭的關系。比如a店鋪賣阿迪的鞋子，b店鋪也賣，那么搜索阿迪的時候，到底優先顯示哪一家的呢？
這就涉及到排名的優化了，不同的商家信譽、客服的態度是不一樣的，商品的質、銷量也是不一樣的。因此就可以根據商品相關的屬性以及商家相關的屬性進行排序。
商品的屬性，有銷售額、下單量、退貨率、轉化率、折扣、價格、上線的日期、適合的季節、pv、瀏覽的停留時間、庫存等等
商家的屬性，有pv、uv、關注數、圖片的質量和數量、銷量、銷售額、轉化率、專櫃動態、退貨率、客單價、復購率、im在線時間、im響應時間、發貨的速度等等
根據這些屬性，就可以針對搜索匹配的商品進行排序了。
個性化搜索
當應用趨於穩定、用戶增長到一定層度時，就開始注重用戶的體驗了。比如一個男性用戶搜索鞋子和女性搜索鞋子，我們期望看到的效果是不一樣的，這其實就是個性化搜索。
具體大廠們的做法我們時不得而知的，知道也不敢亂說，因此只能通過網上公開的一些信息，來揣測琢磨一下，如果我們自己想要做，該怎么實現。
那么我這里有兩種思路：
基於用戶模型添加關鍵字
在用戶積累到一定程度時，可以通過用戶的交互行為以及購物歷史，構建用戶畫像——刻畫出這個人喜歡的品牌、分類、購買力、喜歡的風格、性別等等。那么當用戶搜索鞋子的時候，一方面我們可以在搜索框下面實時的進行關鍵字的推薦，比如淘寶的這個場景：
這樣用戶在看到推薦出來的熱詞時，就可以直接點擊下方的搜索搭配詞，進行精細化的搜索，
另方面，也可以默認在后台加上這個用戶的一些屬性，優先進行推薦搜索。這種方式實現起來也不難，比如借助elasticsearch, 如果搜索的是鞋子，那么關鍵字傳輸到后台時，可以直接查找一下用戶模型，添加性別 —— 鞋子 女進行搜索。如果用戶搜索的男鞋子，經過分詞后，一樣可以轉換成鞋子 男，此時就不需要再去查詢用戶模型獲得性別屬性了。類似的，我們還可以增加喜歡的風格、購買力等屬性。
不過這種方式是在商品搜索結果很多的時候推薦使用。
基於用戶畫像和物品畫像進行商品匹配
另一種方式沒有具體想好，大概的思路就是構建用戶畫像和物品畫像。需要注意下面的問題：
- 選取構建的特征是，需要注意用戶特征和物品特征的對應關系。比如用戶這邊選取的是性別、年齡、喜歡的風格；物品這邊就需要選取適合的性別、適合的年齡段、風格。
- 注意特征的構建要統一到相同的維度
大致的流程是，獲取用戶特征、獲取搜索匹配的200個商品以及它們的特征；然后就可以基於用戶特征和物品特征做相似度計算，比如夾角余弦。這樣做完相似度計算后，取前50個作為搜索的結果展現即可。
如果又一些深度學習的經驗，也可以嘗試基於深度學習做用戶和物品的word embedding，然后直接計算它們的相似度。這種想法暫時還只是設想，具體如何實現還需要根據世紀的場景來做。
未來搜索的思考
現在知識圖譜很火，如果能建立商品相關的知識圖譜，那么搜索又可以更智能一些了。比如搜索angleababy穿過的阿迪鞋子，就會搜索出來angleababy在錄制奔跑吧兄弟時，穿過的阿迪達斯的運動鞋。是不是感覺很有意思！ 哈哈哈哈哈哈哈