搜索联想词产品实践系列之浅见(二)排序-场景动线篇

0 评论 2017 浏览 3 收藏 11 分钟

编辑导语:在前一篇中,作者分享了关于《搜索联想词的产品定位,效果评估和召回》,本篇阐述在召回所有候选结果后,如何进行排序的问题和联想词页面的场景和动线,我们一起来了解一下。

一、候选词条的精排

根据用户确定的字符,在召回环节召回前K条候选联想词,如何将这些词条精准排序,就是排序需要解决的问题。在精排环节,根据业务发展的成熟度,逐步从单一因子排序过度到多因子排序。

为什么要逐步过渡呢?主要是考虑到数据积累的量级影响到数据的信任度问题。在业务发展初期,数据量小,用户交易链路后续数据对结果的影响抖动大,就单纯采用交易环节前期行为,比如采用单纯的点击量因子来排序。

根据链路衰减原则,在业务发展初期,本身数据量都很小,后续的点击,订单,GMV就更小,如果采用后端的行为,那么对结果的扰动就非常大,也就是说这些数据对评估目标是不可信任的。

等业务积累到一定阶段,点击率数据可被信任的话,可以采用点击率数据来排序,等到业务发展相对成熟,可以采用包含人气因子、收益因子、服务因子等综合模型来排序。

排序产品策略主要有如下几类,我将每种策略的优劣做简单分析,在阐明策略之前,我们还是将联想词目标重申一下:

  • 用户输入部分字符就推荐出用户需要的Query供用户选择,降低输入成本;
  • 结合公司经营需要或者用户的发散性要求,提升推荐Query的新颖性。

策略1:基于推荐Query搜索次数排序,优势:简单;不足:作弊Query可能被推出,并且长尾query没机会。

策略2:基于Query静态分的下拉推荐

Query静态分拟合了Query各维度的知识:比如Query PV、IPV、UV、IUV、CTR、成交转化率、成交笔数、成交金额、召回商品数,将上述知识用LR回归的方法拟合成一个实数。

优势:根据静态分对候选Query进行排序,Query静态分不仅考虑了Query的历史PV/点击信息,而且考虑了Query的交易信息,交易良好的Query获得更多的展现机会,给予高质量候选Query以更多的展现机会和排序位置,大大降低了低质量和作弊Query的展现概率。

劣势:静态分主要依赖于历史Query自身的特征,搜索Query与候选Query之间的联系仅仅是两者的前缀相同,这种简单的共性(匹配)没有将搜索Query与候选Query紧密的结合在一起,关联性弱的候选Query如果行为表现比较好,就会排在前面,但是这种关联性弱的Query的线上表现,尤其是CTR往往很差。

策略3:基于CTR预估的下拉推荐

利用LR回归模型来预估推荐Query的CTR,在模型中充分考虑到搜索Query和候选Query之间的关系,二者之间的联系越强,候选CTR就会高,反之则会比较低,所以设计的策略用到的特征如下

  • 搜索词与推荐Query文本特征
  • 搜索词与推荐Query的类目相关特征
  • 搜索(推荐)Query的词性特征
  • 搜索(推荐)词对应的结果页面特征
  • 候选Query静态分特征(容纳静态分策略优点)

优点:充分考虑到推荐Query的历史表现,推荐Query与搜索Query之间的关系

缺点:没有考虑用户的个性化偏好

策略4:结合用户个性化建模的CTR下拉推荐

策略3考虑了搜索Query和候选Query之间关系以及候选Query的历史表现,但是没有结合用户个性化信息。

将用户的年龄、性别、购买力、短期和长期Query偏好作为用户建模,在排序时候结合个性化建模推荐会取得更好的效果,在策略3的基础上增加如下用户特征:

  • 用户年龄
  • 用户平台性别
  • 用户购买力
  • 用户长期Query特征
  • 用户短期Query特征

优点就不用讲了,但是策略4只有在平台业务成熟度足够的时候,才可能开展,同时对平台研发能力有较高要求,具备用户建模、行为建模等大数据平台能力。

排序后处理:

  • 后处理包括同义Query去重;Query结构化和合并。去重是指语义上相同,但是表层字符上有些不同,进行词条合并。
  • Query结构化和合并:结构化合并有助于展示更多的推荐(也就是联想)Query。

比如在电商网站搜索“海尔”,推荐的Query有:

  • 海尔冰箱
  • 海尔洗衣机
  • 海尔风扇
  • 海尔微波炉

一般地,网站将最常用Query能结构化的尽量结构化,结构化遵循语义一致的原则,比如电商网站将品牌的多个品类(品类语义),品牌+品类的多种功能(功能语义)等结构化在一起。

搜索联想词产品实践系列之浅见(二)排序-场景动线篇

二、场景和动线

前面文章我们在搜索结果页搭建场景和策划动线,文中也提及在各个页面都可以策划场景和动线,比如在联想词页面,电商网站策划了店铺导流的场景(上图中蓝色方框内),满足用户直接搜索店铺的需求,另外,策划了O2O场景(上图中的绿色方框),满足用户线下店铺极速达的需求。

大家可能会问,这种场景穿插放置位置是如何决定的?这种场景策划结合了商业变现和用户需求,根据公司变现规则来确定,按照变现收入来确定位置。

搜索联想词产品实践系列之浅见(二)排序-场景动线篇

Query离线处理:

Query归一化:大小写、全半角、简繁体、无效字符比如停用词、无效空格等。

大家对文中的产品策略,以及场景和动线设计,以及搜索联想词还有哪些方面的意见和建议,欢迎评论区留言讨论。

意见建议征集:

当前社会进入人口红利下半场,每个企业都在提升数字化能力,并着手挖掘存量用户的价值变现和价值提升(快手、抖音、百度都在搞电商,线下企业忙转型),通过商品/服务与消费者之间的供需撮合交易是商业化变现的主要途径,而搜索推荐就是实现供需匹配的主要机制。

目前国内只有少数头部的互联网企业具备成熟完备的人才队伍,其他企业要么专业人才零散、知识结构不足,要么根本没有这方面的人才,社会巨大的人才需求与社会高质量人才供给严重不足的矛盾,制约了很多企业在这方面业务的提升,也制约了小伙伴职业收入和职业空间的提升。

鉴于搜索推荐专业性特点,公开成体系资料相对少,而且资料的难度深浅不一,难以满足企业和职场人士的迫切需求,本人过去10年专注电商,深度参与并主导搭建两大电商平台的搜索推荐流量分发及商品管理系统,熟悉电商平台的策略、产品、运营、数据和研发各环节,将自己过去10年的所思所想总结为打造实战型电商搜索体系,打造实战型电商推荐体系,打造实战型电商商品管理体系,以及对电商新零售的理解系列文章和内容。

后期这些文章将逐步发布在人人都是产品经理平台上,同时与平台共同打造课程,开设周末线上课程,大家对文章或者课程有什么意见和看法,请在评论区留言,并密切关注开课进展。文章和线上课程还是有所区别的,线上课程除了讲授文章内容外,还在课堂实时互动以及课后的业务结合问题咨询。另外,打造实战型商品管理体系,已经在平台的90天B端产品经理实战班 中开设了一节课,对这方面感兴趣的同学可以关注周期性开班时间,最后本人2021年6月5号在上海B端产品经理大会上就“B端产品减本增效实践”进行主题分享,欢迎大家参会。

 

本文由 @产品专家毛新 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!