实战复盘：我是怎么做搜索优化的？

第二步：找参数

搜索结果排序这个东西，我在做的时候查阅了很多资料，但大多数资料都比较偏向底层的技术细节，比如说关键词匹配规则。

好在市面上有比较成熟的解决方案来解决底层的搜索逻辑，我们产品只需要决定关键词匹配哪些内容，以及赋多少权重即可。

更为重要的是除了相关度这个因素之外，搜索结果的排序还受到哪些因素的影响，以及他们是如何影响排序的。

前文有说到，收藏行为是用户留存的关键行为，所以食谱的优质标准中最重要的指标也是收藏率，因此收藏率会是搜索结果排序公式中的一项参数。

但是，如果只看收藏率也会有问题，比如当分子分母都非常小的时候，假如浏览次数是2，收藏次数是1，那收藏率就会有50%，这种极端情况出现。

为了减少这种极端，会加入另外一个参数，就是收藏次数。

于是到现在已经找好了三个参数：相关度、收藏次数、收藏率。

第三步：归一化

定好了参数后，由于这些参数几乎不在一个数量级，无法直接放进公式计算，因此需要先明确他们的范围：相关度数量级大约在100以内；收藏次数非常大，约为好几万，且不可控；收藏率范围在0～1之间。

因此我们需要把三个参数归一，便于计算。

由于数学一般，当时能想到的方法有两个：一种是对数，一种是分数。

我来说下我的理解：拿“收藏次数”这个参数来看，如果用对数的话，可以有一个变量，log2^A，A是收藏次数，如果用这个公式来计算的话，2个收藏跟2000个收藏差别不大，但还是无法避免前文所说“收藏和浏览次数都很小，但收藏率极高”的问题，且范围只是在一定范围内可控，仍然不知道如何跟“收藏率”放在一起计算。

于是模仿了“收藏率”公式：收藏次数/浏览次数，收藏次数也按照这样归一：分子是当前食谱的收藏次数，分母是当前搜索结果中的最大收藏次数。

这样这个参数就有两个变量，当收藏次数极低时，这个参数很小，收藏率对整个公式的影响不会是致命的。

于是仿照这个公式得出“相关度”的归一，得出最终计算排序分值的公式：A*当前相关度/最大相关度+B*当前收藏次数/最大收藏次数+C*当前收藏次数/当前浏览次数。

这样保证三个参数的取值范围都是0～1，后续只要根据不同关键词，调整A、B、C三个值，使收藏率高的食谱排在考前的位置即可。

03 结果和复盘

结果可想而知啦，通过搜索路径产生的收藏转化，提高了30%+。

当然这并不是高枕无忧的解决方案，由于我们的排序公式对所有词的搜索结果计算是一视同仁的，但是分析了关键词搜索趋势后发现，搜索词是可以聚类的，并不是没有规律，尤其是像食谱搜索这样的垂直领域，用户对每个（或者说每类）关键词搜出的结果有不同的预期。

比如说：用户会搜索食谱类目名称，如“下午茶”、“家常菜”、“创意菜”等，或者按照食材来搜索，如“鸡胸肉”、“三文鱼”等。

单看这两种类型的搜索词可以猜测出用户的搜索场景：搜索类目词的用户手上还没买食材，纯粹是来找灵感的，所以对新鲜感的要求比较高，两天来看到同样的东西就会失去热情，所以优化的方向应该是加入一个时间参数，越新的食谱排在越前面。

搜索食材词的用户大多已经拿买好了食材，这个时候找到食谱就行，对新鲜感的需求不如类目词，而是需要发掘长尾的食谱。所以此时优化的方向不会加入时间参数，而是在原来的公式上调整权重，让“相关度”的权重更大。

当然这还只是短期的策略，再往后如果资源允许的情况下，会加入协同过滤的算法，是将相似喜好的用户分组对待，更场景化。

比如与“我”喜好相似的用户搜索“家常菜”后点击或收藏的食谱，会排在“我”的搜索结果里更靠前的位置。

另外，由于食谱有时令性，用户在夏天搜索“家常菜”和在冬天搜索“家常菜”的诉求也会是不一样的，比如在夏天搜索“家常菜”我可能更想吃“凉菜”，此时如果搜出了很多羊肉汤也是很不合时宜的，因此在排序公式中，参数前面加上“近期该搜索词的**量”作为权重公式，我觉得会更有效率。

但是，在优化了搜索带来了一大波转化后也还是立刻达到瓶颈，原因是用户在进入详情页后，流量就死了，所以下一步我们紧接着就上了“食谱相关推荐”以增加详情页流量，这是另一个有趣的话题，有时间再来写～

（以上）

题图来自Unsplash，基于CC0协议。