搜索應該是我們日常使用最多的一項功能了。在產品設計中，搜索也是非常重要的，但其邏輯又相對比較復雜。這篇文章，作者帶我們來梳理一下搜索的產品邏輯。

搜索場景無處不在，主要包括搜索引擎的搜索、平臺商品搜索、平臺文章搜索，還有一些數據庫的簡單搜索。但萬變不離其宗，接下來主要介紹一下以商品/文章類搜索等為主的搜索流程及細節。

一、搜索流程

二、搜索入口

移動端的搜索入口常見于以下4種模式

1、位于底部導航欄

適用于搜索需求極高或者搜索是核心流量入口的產品，如微博、花瓣等

2、位于頁面頂部

適用于搜索是重要流量入口的產品，如淘寶、知乎等。并會通過頻繁變化的占位詞引導搜索

3、放大鏡搜索圖標

適用于當前頁搜索功能并非高頻操作的頁面，將頂部、底部導航欄等位置讓渡給更重要的功能，搜索功能弱化為icon圖標，如知乎的關注頁、招行的財富頁等

4、隱藏式搜索入口

不常用。目前僅在手機系統交互中出現，比如iPhone的下拉搜索

三、搜索方式

常見的搜索方式主要包括文本搜索、語音搜索、掃碼搜索、拍照搜索

為了提高搜索的便捷性和轉化率，又衍生出歷史搜索、猜你想搜、熱門搜索、鏈接搜索、復制搜索等

四、分析器

用戶輸錯了怎么辦？用戶輸入的這個關鍵詞究竟是什么含義？分析器的作用就是對用戶輸入的關鍵詞進行預處理、語義解析，實現對關鍵詞的聯想和優化系統對用戶輸入內容的理解。

1、預處理

1）長度截斷：為了避免超長字符對分詞搜索的壓力，一般會限制關鍵詞的字數，比如百度搜索控制在38個漢字以內

2）移除無意義字符：包括emoji、特殊符號、顏文字等

3）格式轉換：包括大小寫轉換、繁簡體轉換、全角半角轉換等

2、語義解析

1）分詞：根據分詞詞庫將關鍵詞進行拆分，如果輸入的是詞庫未收錄的關鍵詞，可能就無法檢索到關鍵內容了（除非完全拆成單字）

2）糾錯：根據糾錯詞對用戶輸入的可能錯誤的關鍵詞進行糾正，主要包括以下兩種

① Non-word-Error：不存在數據庫的錯誤字符

• 數字錯誤：2202→2022
• 英文錯誤：fght→fight
• 拼音錯誤：ping’pag→乒乓
• 首字母簡拼：cpjl→產品經理
• 混合錯誤：cha品ji理→產品經理

② Real-word-Error：由多個漢字組成的錯誤語句（拼寫正確，但結合上下文語境表意錯誤）

• 漏字：產品理→產品經理
• 多字：產品經理理→產品經理
• 顛倒：經理產品→產品經理
• 同諧音：產品經歷→產品經理
• 模糊音：產品盡力→產品經理
• 形近字：產品經哩→產品經理

當然，具體的糾錯效果跟糾錯詞的可信度有關，可信度高時，會直接使用糾錯詞查詢（提供原詞備選），可信度低時，還是會使用原詞查詢

3）拼音轉文字：比如將“kangshifu方便面”轉換成“康師傅方便面”

4）歸一：中文中很多詞的含義是一致的，因此會通過近義詞詞庫將不同的輸入理解成相同的含義，比如“價格”、“售價”、“多少錢”等表達的都是價格的含義

5）停止詞過濾：比如會將非法詞、敏感詞、指定的無意義詞匯過濾掉

6）聯想：調用關鍵詞統計接口，實時獲取排名靠前的數據。具體的query候選集的生成策略還會受用戶歷史記錄、熱搜記錄和運營人工干預的影響，以便幫助用戶盡快找到他們想要的內容

7）實體識別：借助實體詞庫，對輸入的關鍵詞進行實體含義的分析，比如將【康師傅紅燒牛肉面】解析為【Brand：康師傅；Taste：紅燒；SPU &CATEGORY：方便面】。當然，不同行業不同領域都會有自己的詞庫，差別比較大，因此詞庫一般都是不互通的

8）跳轉規則匹配：比如輸入到某個特定關鍵詞時，跳轉到特定的頁面，比如某品牌的官網等等，且通常這種跳轉是有時效限制的

五、召回

召回指的是將解析后的關鍵詞與數據庫文檔進行匹配的過程。這個過程需要用到后端的倒排索引技術（構建單詞與文檔的關聯關系）。一般來說，倒排索引建設得越合理，查詢效率就越高。

六、排序

同樣是在商城中搜索“水”，你覺得以下哪種排序更好？

結論：

• 左圖：好，大眾熟知的產品排在最前面。
• 中圖：中，小眾產品排在最前面。
• 右圖：差，將僅包含“水”的汽水、爽膚水等排在前面。

下面以電商為例進行排序策略的介紹

1、粗排

考慮召回結果與query之間的相關性，并按照相關性模型進行打分，最終根據相關性從高到低排序。如果兩個召回結果的得分一致，則按ES索引自行排序，因此每次搜索結果都有可能不同。

2、精排

在粗排基礎上，考慮銷量、收藏、點擊、加購、促銷等業務因素對排序的影響。

比如銷量收藏高的靠前，比如最近門店正在跟某個品牌搞合作，則這個品牌靠前等等。

但是，這些因素要怎么量化呢？比如銷量，不同商品之間無法直接比較個數，統計周期、門店等等也會對統計造成影響。所以這里就需要引入一個歸一化公式，計算出一個業務因素的調整系數。比如初始銷量是50，系數是0.5，那么最終得分是25分。再將此分數與相關性得分相加，得到最終的綜合得分。

歸一化公式參考：（商品訂單數 — 門店最少的商品訂單數 ）/ （門店最高的商品訂單數 — 門店最少的商品訂單數 ）

3、排序模型

粗排和精排都是建立在“業務規則”的基礎上，利用的是專家對市場的了解；而排序模型則是利用機器學習、深度學習等技術構造千人千面的模型。不過這種方式只適用于用戶數據量比較大的平臺。

七、結果呈現

1、搜索結果的清晰呈現

2、個性化設計