在电商领域里，搜索是一种最直接的用户消费的场景。每个用户进入一个app，都有自己的一些意图，比如想买鞋子、想买衣服，而且对一些品牌以及颜色风格都有一定的要求。因此搜索对于商品的触达是非常重要的。
我这里就针对自己的理解，对个性化的搜索做一个粗略的总结。一般来说app内的搜索都会经历下面几个阶段：
- 应用的初期：基于关键字的搜索
- 应用的发展期：基于主副标题的全文检索
- 应用的成熟期：针对搜索进行排名优化
- 应用的进化期：个性化的搜索
下面就针对各个阶段描述下大概的过程。
关键字搜索
在应用最开始的阶段，应用内的内容不多，用户量也比较小，比如刚刚建立起来的电商网站和应用商店等。主要可以借助关键字进行搜索的匹配的，比如电商网站存储下面的表：
| 关键字 | 商品 |
|---|---|
| 耐克 | 001 |
| Nike | 001 |
| 阿迪达斯 | 002 |
| 三叶草 | 002 |
| adidas | 002 |
这样在搜索的时候可以直接基于关键字定位到商品。这种方式针对于最基本的数据库就可以实现。
全文检索
随着应用的完善，直接基于关键字的匹配难以维护。因为商品逐渐增多，用户搜索的关键字变化也越开越大，单靠业务规则来定义关键字和商品的关系就太麻烦了，因此就引入了全文检索的系统。
关于全文检索的技术，说的通俗一点，就是维护了关键字跟相关“文档”的关系。举个典型的例子——词典，我们想要在词典中快速查一个英文汉字最简单的方式，就是通过目录进行定位，然后懂啊指定的页码去查找对应的字；而不是一页一页的遍历寻找。
比如，在商品的列表中，商品的主标题有下面的内容：
- 001doc的内容是：“2017年耐克最新款”
- 002doc的内容是：“小明同款 黑色耐克”
- ...
然后针对上面的文档进行分词建立倒排索引，就形成了：
| 关键字 | 文档位置 |
|---|---|
| 耐克 | 001doc,2,3 002doc,4,5 |
| 阿迪达斯 | 003doc,6,7 004doc,1,3 |
这样搜索耐克的时候，就可以直接基于后面的文档位置定位到目标的内容。
从另一方面来说，商品主要的搜索内容来源就是主标题和副标题。大家有兴趣的可以参考淘宝京东，看一下它们的商品标题的定义规则。当然商品的标题也是需要经过统一的设置培训的，不能卖一个牙膏，结果起的名字是一个身穿阿玛尼手握iphone x，带着阿玛尼开着玛莎拉蒂的b血型双子座青春美少男早晨专用的牙膏——这不是扯淡么！
试想一下，搜索阿玛尼的时候，搜出来这个牙膏，得有多崩溃。因此，app的管理员一定要做好商品维护的培训，尽可能的让商品的标题突出商品的核心竞争力、当下热门的话题、主要的属性用途等等，尽量不要放一些不相关的内容。
主副标题定义好，就可以直接基于一些全文检索系统实现检索查询了。比如Elasticsearch, es也支持各种分词的插件，也可以让用户自定义分词插件。这样主副标题会根搜索的关键词以同样的方式进行分词，分词后才能通过关键字进行搜索。
另外，要注意的是搜索要符合用户的操作习惯。比如在淘宝中，搜索关键词运动鞋就会出来匹配的商品；搜索运动鞋 男 白色，就会出现白色的男款运动鞋，而不是白色的衣服、男性的洗面奶、女性的运动鞋。当然，如果没有同时满足几个条件的商品，可以提示没有xxx相关的商品，我们为您推荐下面的商品，然后就可以使用or的关系进行搜索了。
搜索排名优化
基本的全文检索已经做完了，默认来说，elasticsearch按照关键词的匹配做的分值的排序。各种app可以根据自己的业务需求，来进行排序规则的设置。比如一半的电商平台，都会又很多的卖家入驻，因此卖家之间会形成竞争的关系。比如a店铺卖阿迪的鞋子，b店铺也卖，那么搜索阿迪的时候，到底优先显示哪一家的呢？
这就涉及到排名的优化了，不同的商家信誉、客服的态度是不一样的，商品的质、销量也是不一样的。因此就可以根据商品相关的属性以及商家相关的属性进行排序。
商品的属性，有销售额、下单量、退货率、转化率、折扣、价格、上线的日期、适合的季节、pv、浏览的停留时间、库存等等
商家的属性，有pv、uv、关注数、图片的质量和数量、销量、销售额、转化率、专柜动态、退货率、客单价、复购率、im在线时间、im响应时间、发货的速度等等
根据这些属性，就可以针对搜索匹配的商品进行排序了。
个性化搜索
当应用趋于稳定、用户增长到一定层度时，就开始注重用户的体验了。比如一个男性用户搜索鞋子和女性搜索鞋子，我们期望看到的效果是不一样的，这其实就是个性化搜索。
具体大厂们的做法我们时不得而知的，知道也不敢乱说，因此只能通过网上公开的一些信息，来揣测琢磨一下，如果我们自己想要做，该怎么实现。
那么我这里有两种思路：
基于用户模型添加关键字
在用户积累到一定程度时，可以通过用户的交互行为以及购物历史，构建用户画像——刻画出这个人喜欢的品牌、分类、购买力、喜欢的风格、性别等等。那么当用户搜索鞋子的时候，一方面我们可以在搜索框下面实时的进行关键字的推荐，比如淘宝的这个场景：
这样用户在看到推荐出来的热词时，就可以直接点击下方的搜索搭配词，进行精细化的搜索，
另方面，也可以默认在后台加上这个用户的一些属性，优先进行推荐搜索。这种方式实现起来也不难，比如借助elasticsearch, 如果搜索的是鞋子，那么关键字传输到后台时，可以直接查找一下用户模型，添加性别 —— 鞋子 女进行搜索。如果用户搜索的男鞋子，经过分词后，一样可以转换成鞋子 男，此时就不需要再去查询用户模型获得性别属性了。类似的，我们还可以增加喜欢的风格、购买力等属性。
不过这种方式是在商品搜索结果很多的时候推荐使用。
基于用户画像和物品画像进行商品匹配
另一种方式没有具体想好，大概的思路就是构建用户画像和物品画像。需要注意下面的问题：
- 选取构建的特征是，需要注意用户特征和物品特征的对应关系。比如用户这边选取的是性别、年龄、喜欢的风格；物品这边就需要选取适合的性别、适合的年龄段、风格。
- 注意特征的构建要统一到相同的维度
大致的流程是，获取用户特征、获取搜索匹配的200个商品以及它们的特征；然后就可以基于用户特征和物品特征做相似度计算，比如夹角余弦。这样做完相似度计算后，取前50个作为搜索的结果展现即可。
如果又一些深度学习的经验，也可以尝试基于深度学习做用户和物品的word embedding，然后直接计算它们的相似度。这种想法暂时还只是设想，具体如何实现还需要根据世纪的场景来做。
未来搜索的思考
现在知识图谱很火，如果能建立商品相关的知识图谱，那么搜索又可以更智能一些了。比如搜索angleababy穿过的阿迪鞋子，就会搜索出来angleababy在录制奔跑吧兄弟时，穿过的阿迪达斯的运动鞋。是不是感觉很有意思！ 哈哈哈哈哈哈哈