本文作者從具體的工作實踐出發，結合案例等分享了非常實用的大范圍排序中的類目預測知識，供大家一同參考和學習。

在上一章節中，給大家簡要的介紹了下搜索的具體流程，從輸入關鍵詞點擊搜索按鈕那一刻起，到搜索結果頁呈現給用戶的眨眼間，是經過了怎樣的步驟和流程才呈現到我們面前。

其中有一些步驟我覺得可以深入講解一下，但是睡了一覺后，覺得可能對于產品運營的讀者你們有點過于晦澀和枯燥，即便知道了其中的奧妙對你們未來的運營工作也沒有太大的幫助比如分詞算法。

因此為了節省大家的時間，我還是挑重點說，本章就著重講解一下大范圍排序中的類目預測環節。以及結合我現在所在的單位起初的一些沙雕的操作，也順帶給各位立志想進入產品圈的小年輕一些產品設計以及溝通中的建議，方法論什么的我就不想說了，太虛，就直接上操作吧。

類目預測

什么叫類目預測？舉個簡單的例子吧。如果輸入關鍵詞“手機”排在前面出來的是手機類目而不是手機殼類目，這就是類目預測。

根據搜索全詞匹配的原則，只要商品標題或者屬性或者類目名稱等帶有“手機”關鍵詞的商品，都會被召回，而類目預測的作用就是將這些已經召回的商品按照類目優先級進行排序的過程。

說起來簡單，做起來就老費勁了！如果僅僅從營銷數據來進行排序，手機殼單價低，商品數量眾多，相比于手機類目 單價高，數量可能遠遠不及配件。

那么如果我是個沒有感情的排序機器，我應該優先排哪個呢？

肯定是手機殼在最前面，因為手機殼類目全方位的數據都比手機類目要好，為什么不排手機殼呢？很有道理。但是從消費者意圖來講，用戶要的是手機，不是手機殼，你這個數據再好看，對于消費者肯定也是不準的。

所以對于消費者來說，類目預測的效果如何，是衡量搜索準確性的入門指標。由于目前國內的電商巨頭都已經通過了前期的人工收集，機器算法輔助階段，亦或已經通過第三方的搜索解決方案提供商能夠提供比較完備的預測算法和方案。

那么此篇文章針對那些初創，或者對搜索結果頁還不甚滿意且有至于自己優化的企業有參考意義。（我將在最后一期給大家介紹一下，如何搭建一個比較完備且經濟的站內搜索產品方案）

類目預測我們分為兩部分講解，人工和機器算法

人工

很簡單，直接在產品后臺搭建一個關鍵詞和類目的關聯表。做這個產品時，產品經理需要注意的問題點有如下幾個：

（1）該產品面向的使用用戶是誰？肯定是搜索運營人員。首先要滿足的是用戶的使用方便，可以批量導入和導出功能，增刪改查一個都不能少。

（2）該產品運營的主要內容是什么？關鍵詞，因此對于關鍵詞我們要區分語言，如果app涉及到多個語言區國家，因此就要分開運營，而且不同語言之間的互通生效；且對于音型文字需要對多種時態變體，以及同義詞生效。

同樣的關鍵詞，互換位置后也一樣生效，比如“手機蘋果”和“蘋果手機”等。這樣可以減少人工維護的詞量。（我現在所在的單位依舊采用的是絕對匹配的邏輯，這個坑依舊沒有填。這個也給了我一個啟示，做產品規劃時一定要先期做好細節處理，雖說不用100%的面面俱到，但是最起碼的主要矛盾還是要考慮的）

（3）精確全詞匹配還是以中心詞匹配，一直是我入職以來的爭論，從一個站內搜索體系搭建以來，人工全詞匹配一直是領導層最相中的。因為能夠更快出成績，只需要幾個人 每天對著top詞來維護一遍就能達到數據提升的效果。

①精確全詞匹配預測

什么叫精確全詞匹配預測，就是我搜索“蘋果手機128g”如果在人工維護的詞庫里只有“蘋果手機”這個詞，一樣是無法命中人工類目預測，因此人工維護的全詞匹配的詞量是極其巨大的。

而且用戶輸入的關鍵詞是沒有規律可循的，什么樣的順序都無法預測，因此詞功能只能作為快速修補關鍵詞呈現bug的功能。

②中心詞匹配預測

那什么叫中心詞匹配預測，這個其實是基于一個合理的假設，即電商網站是來購物的，用戶進行app瀏覽和搜索都是基于某種物品或者品牌需求，那么我們有理由相信只需要收集有限物品詞以及品牌詞就能涵蓋絕大部分搜索類目預測需求，那么這些物品詞或者品牌詞就是我們的中心詞。

比如用戶搜索“手機128g”那么“手機”就是中心詞，人工的中心詞詞庫只需要維護“手機”對應前端/后端類目就能起到類目預測的效果，以點帶面會取得不錯的效果。

也許有人會說，如果用戶輸入“手機殼”不也是預測到手機類目了么，也是預測錯了。因此在此需要引入n-gram的策略，一般而言詞組優先級要高于單詞。也就是說詞庫是優先匹配詞比較長的，如果詞長的沒有，再去匹配詞短的。

類目預測的邏輯是，某個關鍵詞只要通過算法或者人工預測到了類目，則會在預測的類目優先進行and查詢并召回排序，然后在非預測類目and查詢并召回排序。

也就是說如果在預測的類目里如果搜索不到產品，這個預測也沒啥用?；蛘哒f是預測錯類目。（當然也有例外，當一個用戶搜了一個特別刁鉆的詞“蘋果土豪金128g送給媽媽的禮物”算法或者人工預測到的類目是手機類目，但是and查詢在該類目無結果，此時可以采用減詞算法進行智能減詞，提取關鍵詞主干供用戶選擇）。

機器算法

所謂機器算法是根據用戶的行為數據以及商品本身的固有信息得來的。

那么采用機器算法的邏輯基于詞頻和用戶的點擊行為基于貝葉斯理論（百度的意思就是：如果你看到一個人總是做一些好事，則那個人多半會是一個好人。這就是說，當你不能準確知悉一個事物的本質時，你可以依靠與事物特定本質相關的事件出現的多少去判斷其本質屬性的概率。 用數學語言表達就是：支持某項屬性的事件發生得愈多，則該屬性成立的可能性就愈大）。

貝葉斯算法需要有一定的數據訓練集，而這些數據訓練集是需要商品數據以及關鍵詞對應的（關鍵詞與用戶點擊類目商品的概率）。

通過不斷的對訓練集訓練結果的優化和評估，最后得出一個比較好的貝葉斯模型。這樣關鍵詞即與商品數據結合在一起，成了我們的機器類目預測。

然而類目預測的算法還有很多，這里只是給大家提一下，如果我把公式亮出來就顯得裝x了，因為我也看不懂。

好了今天就到這吧。

預告下一期內容，搜索算法的形成與原理。

#專欄作家#

作者：王歡，微信：wanghuan314400，運營小灰一枚。

本文由 @王歡 原創發布于人人都是產品經理，未經許可，不得轉載。

題圖來自Unsplash，基于CC0協議