基础功能理解:搜索功能的设计理解

2 评论 9315 浏览 98 收藏 16 分钟

编辑导语:在很多产品中,搜索都是其中比较基础且很重要的一个功能,在很多时候我们都需要进行搜索找到需要的东西,搜索的设计、逻辑、交互等问题也是需要特别注意的;本文作者分享了关于搜索功能的设计理解,我们一起来了解一下。

搜索功能是许多产品的核心,例如电商搜索、内容搜索等等;面对如何进行搜索功能设计,确实是个看似简单实则深奥的问题。

不管不顾,随后画一个条形框、正方体,他们就是搜索框和搜索图标就能代表一个搜索模块;若要仔细研磨,各种用户交互问题,各类逻辑,那他们也是一个搜索系统;这一切都取决于你,产品设计师如何设计。

设计一个搜索功能我们需要从用户体验和功能实现两方面出发:

  • 用户体验包含了样式UI设计、交互设计;囊括起来说就是用户搜索前、搜索中以及搜索后用户对我们的功能的感知;
  • 而功能实现则是聚焦用户对问题的输入,和我们结果的输出(结果匹配度)。

由此我将分成搜索的设计和搜索的逻辑两部分进行说明。

一、搜索的设计

先从可感知的样式来说。我们按照用户路径地图来理解用户使用功能时的具体步骤:

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。

按照上述路径,我们可以将用户使用搜索功能的场景分为三部分:搜索前、搜索中、搜素后。同时根据应用场景的不同,还需区分移动端和PC端。

1. 搜索前

首先,我需要申明我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;因此我们在设计的时候,需要带入场景假想我们就是用户,我们在迫切需要解决问题的时候,我们会是什么样的心里活,烦躁?渴望?又或是兴奋?建立了同理心后才是功能的设计。

所以在搜索功能设计的时候,对面用户迫切的心情,我们合理设计搜索功能。在用户使用产品产生疑问的时候,我们要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。

基础功能理解:搜索功能的设计理解

基础功能理解:搜索功能的设计理解

这两个解决方案是十分常见的,但我们需要注意,除开样式的差异在选择使用输入框作为搜索样式的时候,大多人都偏爱在输入框上做文字引导,这种文字引导有引导使用文案和推荐搜素文案两种。

这样做不是一定需要的,因为我确实没准确的数据告诉你,做了和没做在数据层次带来的效果是什么。所以这是需要你自己自行选择的。

基础功能理解:搜索功能的设计理解

2. 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,在这里有两种设计方式:分别是当前页面直接进行搜索和进入搜索独立页面。

其中,当前页面直接进行搜索,在pc端较为常见,因为pc页面有大面积区域可使用,可以尽情展示内容所以常见。

另外一种采用搜索独立页面在移动手机端常见,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。

基础功能理解:搜索功能的设计理解

在这里我们可以通过后台管理功能,尽情的增加热门搜索的内容。同时在用户输入内容后,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。

但是产品设计师们需要注意的是,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。(这里后面部分会介绍说明)

基础功能理解:搜索功能的设计理解

同理,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;至于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。)

3. 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。

基础功能理解:搜索功能的设计理解

二、搜索的逻辑

先说结论: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。

基础功能理解:搜索功能的设计理解

1. 分词

分词很好理解,就是当用户输入问题后,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。

同时分词也叫NLP(自然语言处理分析)算是AI人工智能的一个分支,毕竟你需要让人工智能理解你说的是什么,学的是什么,不然就成人工智障了。那么搜索是按照什么方式进行分词的了?其实分词的方式很像小时候查字典。

1)逐词匹配

我们理解为一个人给你一句话,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。以至于将词典中的所有词按由长到短的顺序在文章中逐字搜索,直至文章结束。

这种方式你可以想象下,如果是人是不是很崩溃。就算是电脑在进行,因为需要重复的查询,也会造成效率低下,等半天才分词成功。

2)正向最大匹配法

最大正向匹配会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;比如匹配野生动物园这个词条有两个匹配,一个是野生动物图案,另一个是动物园,那我们以野生动物园为最终匹配,按照这个思路我们再说明。

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。

我们保留结果是“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”,这就是正向最大匹配

3)逆向最大匹配法

大致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。还是以“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

2. 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);并且因为文字和语言是情感交流的渠道,中文汉字会因为声调的不同有着不同的含义,同时一词多义,通假字等也是十分头疼的事情。

这词意纠错也可以按照查字典来理解,只是查询的字典是特殊字典里面的内容包含了情感,拼音还有声调相关的内容。抽象点的描述,我们在看见“康帅傅”的时候大脑会把“康帅傅”自动纠错成“康师傅”,这就有点自动纠错的味道。

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。

3. 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。

做类目预测有几个方法:

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;这样也是最简单有效的方法,但麻烦在需要安排人长期维护。

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。

4. 结果排序

搜索结果的排序也是十分头疼的事情,比如搜索苹果手机,出现的结果是10万+条商品信息,那么谁排第一这就成了一个问题,因此我们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,哈哈看个人)。

  • 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;
  • 用户标签:符合用户标签喜好的商品进行加权,优先排序;
  • 时间段:对当前时段营业(客服在线)进行加权;
  • 销量、好评率:同理这就不说了;
  • 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;
  • 付费:竞价广告、付费升权等。

 

作者:wcof,在努力做产品不做产品经理的人;微信公众号:Wcof(ID:wcofPM)

本文由 @Wcof 原创发布于人人都是产品经理,未经作者许可,禁止转载

题图来自Unsplash,基于CC0协议。

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. 分析的透彻

    回复
  2. 不错。

    来自上海 回复