搜索技术哪些算法模型可以实现千人千面个性化服务

用户行为数据如何实时的应用在搜索服务中那？

今天将介绍四个“个性化搜索算法模型”，希望对你有所帮助~

一、个性化排序应用

类目预测

类目预测是基于物品/内容的类目信息改善搜索效果的算法功能,类目预测根据用户的查询词来预测用户想要查询哪个类目的结果，结合排序表达式，可以使得更符合搜索意图的结果排序更靠前

基本原理：把历史上搜过的query收集起来，结合query查询之后的点击行为数据，与类目下的物品信息联系起来，使用这些数据来训练模型，由模型来刻画query与类目之间的数据规律。

例如：不同用户搜索“华为”

有些行为意图搜索“配件”，有些意图是搜索“手机”，那根据用户的行为数据就可以通过类目进行判断，从而在排序效果上实现个性化展示；

2.智能排序人气模型
离线计算的模型，淘宝搜索最基础的排序算法模型。人气模型会计算量化出每个商品的静态质量及受欢迎的程度的值，不断训练统计形成人气分，构建更精细化的排序模型，千人千面精准命中用户搜索需求

二、个性化搜索引导

1.搜索中引导–下拉提示

List item

功能介绍
下拉提示是搜索服务的基础功能，在用户输入查询词的过程中，智能推荐候选query，提高用户输入效率，帮助用户尽快找到想要的内容。

下拉提示实现了基于用户文档内容的query智能抽取，可以通过中文前缀，拼音全拼，拼音首字母简拼查询以及汉字加拼音，分词后前缀，中文同音别字等查询下拉提示的候选query。

例如：不同用户在搜索框输入“包”，下拉提示引导的搜索query是不同的，根据用户的行为数据进行不同的query引导，从而增加业务转化的效果；

List item

query生成规则
针对过去N(默认7)天的历史query，结合该query的词权重，召回结果数，历史搜索次数，近一天查询是否有结果等条件，选出一些热门历史查询词，作为下拉提示的候选词。

抽取生成：对字段内容进行分词，抽取有意义的term进行组合，得到候选query，这种方式尽量保证生成的候选query能召回对应的文档。

原值保留：该规则对字段内容不做分词处理，直接将其作为下拉提示的候选query。

2.搜索前引导-热搜和底纹

List item

功能介绍
热搜和底纹是一个完整搜索引擎必备的基本功能，通常占据着搜索框入口的重要位置，提供不可或缺的业务价值。

从用户的角度来看，热搜底纹一般可以满足如下的需求：

1)给我推荐一些优质的查询词；
2)想知道大家都搜了些什么；
3)既想看我感兴趣的内容，又想探索一些兴趣之外的内容；

从运营者的角度，热搜和底纹可以提供这样的价值：

1)哪些query被搜得最多，热门query是用户兴趣的风向标，通过分析热门query我们可以把握用户的兴趣走向，对制定运营策略；
2)给用户推荐一些优质query；
3)给用户推荐热门query，一方面兼顾用户体验，另一方面给部分次热门query增加曝光机会；

业务报表

下拉提示和热搜底纹可以通过用户搜索日志分析和点击行为，形成业务运营报表，可以清晰反映搜索的质量和用户体验效果，再通过系统的评估服务，找到对应的问题原因和解决方案.。

如果你想和更多搜索技术相关同学交流，可以一起加入【推荐与搜索技术交流群】，钉钉群号： 23310502。