分享非常实用的大范围排序中的类目预测知识

在上一章中，我们简要介绍了下一个搜索的具体过程。从输入关键字并单击搜索按钮的那一刻起，到搜索结果页面呈现给用户的眨眼间，呈现给我们的步骤和过程是什么。我认为有些步骤可以深入解释，但睡觉后，我认为你可能对产品操作的读者有点太模糊和无聊了。即使你知道这个秘密，它也不会对你未来的操作工作有太大的帮助，比如分词算法。因此，为了节省大家的时间，我还是选择了重点，本章重点介绍了大规模排序中的类别预测环节。结合我所在单位最初的一些沙雕操作，我也会给你一些年轻的产品设计和沟通建议，他们决心进入产品圈。我不想谈论方法论。如果太空，直接操作。什么是类别预测？举个简单的例子。如果输入关键词“手机”是手机类别，而不是手机壳类别，那就是类别预测。根据搜索全词匹配的原则，带有“手机”关键词的商品，如商品标题、属性或类别名称，将被召回，类别预测的作用是根据类别优先级对这些召回的商品进行排序。说起来容易，做起来总是很费劲！假如仅从营销数据来排序，手机壳单价低，商品数量多，与手机类单价高相比，数量可能远低于配件。那么，如果我是一台没有感情的排序机，我应该优先考虑哪一个呢？一定是手机壳在前面，因为手机壳类的全方位数据都比手机类好，为什么不排手机壳呢？很有道理。但就消费者意图而言，用户想要的是手机，而不是手机壳。不管你的数据有多好，消费者肯定是不允许的。因此，对于消费者来说，类别预测的效果是衡量搜索准确性的入门指标。目前，国内电子商务巨头已经通过了早期的人工收集、机器算法辅助阶段，或者第三方搜索解决方案提供商可以提供相对完整的预测算法和解决方案。那么这篇文章对于那些对搜索结果页面不满意或者对自己优化的初创企业来说是有参考意义的。（我将在最后一期中向您介绍如何建立一个相对完整和经济的站点搜索产品解决方案）类别预测我们分为两部分，手动和机器算法手动非常简单，直接在产品背景中建立一个关键字和类别的关联表。在制作本产品时，产品经理需要注意以下问题：（1）谁是本产品的用户？一定是搜索操作人员。首先要满足的是用户使用方便，可以批量导入导出功能，添加、删除、检查一个。(2)产品运营的主要内容是什么？关键词，所以我们应该区分关键词的语言。如果应用程序涉及多个语言领域的国家，则应单独操作，不同语言之间的交流是有效的；对于音型文本，需要对各种时态变体和同义词生效。相同的关键词在交换位置后也会生效，如“手机苹果”和“苹果手机”。这样可以减少人工维护的词量。(我现在的单位还是采用绝对匹配的逻辑，这个坑还没填。这也给了我一个启示。在制定产品规划时，我们必须提前处理细节。虽然我们不需要100%涵盖一切，但至少应该考虑主要矛盾）（3）准确的全词匹配仍然是中心词匹配，这一直是我入职以来的争论。自从一个网站搜索系统建立以来，人工全词匹配一直是领导层最喜欢的。因为成绩可以更快，每天只需要几个人维护top词，就能达到数据提升的效果。①准确的全词匹配预测是什么？准确的全词匹配预测意味着我搜索“苹果手机128g”。如果只有“苹果手机”这个词在人工维护的词库中，就无法击中人工类别预测。因此，人工维护的全词匹配的词数极其巨大。而且用户输入的关键词没有规律可循，任何顺序都无法预测，所以词功能只能作为快速修复关键词呈现bug的功能。②中心词匹配预测所谓的中心词匹配预测，这实际上是基于一个合理的假设，即电力网站购物，用户浏览和搜索应用程序是基于某些项目或品牌需求，所以我们有理由相信只需要收集有限的项目词和品牌词可以覆盖绝大多数的搜索类别预测需求，所以这些项目词或品牌词是我们的中心词。例如，如果用户搜索“手机128g”，那么“手机”就是中心词。手动中心词库只需要维护“手机”对应的前端/后端类别，就可以达到类别预测的效果，从点到面取得良好的效果。有些人可能会说，如果用户输入“手机壳”不是预测手机类别，也是错误的预测。因此，这里需要引入n-gram的策略，一般来说，短语优先级高于单词。也就是说，词库优先考虑长匹配词。如果没有长词，则匹配短词。类别预测的逻辑是，只要通过算法或人工预测类别，关键字将优先查询和召回预测类别，然后查询和召回非预测类别。也就是说，如果你不能在预测类别中搜索产品，这个预测是没有用的。或者是预测错误的类别。(当然也有例外。当一个用户搜索一个特别棘手的词“苹果土豪128g送给妈妈的礼物”算法或手动预测的类别是手机类别时，但and查询在这个类别中没有结果。此时，可以使用减词算法智能减词，提取关键词供用户选择)。所谓的机器算法是基于用户的行为数据和商品本身的固有信息。然后，机器算法的逻辑是基于词频和用户点击行为（百度的意思是：如果你看到一个人总是做好事，那么大多数人都会是一个好人。也就是说，当你不能准确地知道一件事的本质时，你可以依靠与事物特定本质相关的事件的概率来判断它的本质属性。用数学语言表达的是，支持属性的事件越多，建立属性的可能性就越大)。贝叶斯算法需要一定的数据培训集，这些数据培训集需要与商品数据和关键字对应（关键字和用户点击类别商品的概率）。通过对训练结果的不断优化和评价，最终得出更好的贝叶斯模型。这样，结合商品数据的关键词就成了我们的机器类别预测。但是类别预测的算法还是很多的，这里就给大家提一下，如果我把公式亮出来，就会显得装x，因为我也看不懂。好了，今天就到这里。对下一期内容进行预测，形成和原理搜索算法。