我是怎么做搜索優化的？ - 新媒體運營

對于內容型的產品來說  ，一款好的搜索功能  ，可以最大程度放大內容效益——吸引用戶留下來  ，并促使進入流量到下一波的轉化 。而筆者也以自己的搜索優化實踐為例  ，說明了一系列的操作步驟  ，希望對你有所啟發 。

來交代下近況：來了**煮工作一年多了  ，在經歷了半年app迭代功能規劃工作之后我終于迎來了第一個高級功能——搜索優化  。

（不是說其他功能不高級  ，只是搜索是對我來說全新的領域 ，跟以往負責的工作大不相同  ，所以稱之為高級）

01 背景

我所負責的是APP的內容線的工作  ，核心工作圍繞留存率展開  。

在進行數據分析后發現留存率與用戶收藏次數有關  ，收藏越多  ，留存率越高  。因此提高留存  ，就要提高收藏  。

明確了留存的關鍵行為后 ，就該去探索用戶發生關鍵行為的核心漏斗 。

通過app的流量分析可以知道  ，大部分流量進入食譜詳情頁的路徑是通過搜索 ，所以優化“搜索 → 瀏覽 → 收藏”這個路徑  ，預測會得到最大的轉化率  。（實際上也是的）

02 過程

首先需要確定搜索的流程  ，大致確定為三步：

1. 搜索前：熱搜詞、歷史搜索等
2. 搜索時：關鍵詞聯想、自動糾錯等
3. 搜索后：無結果的推薦、有結果時的排序等

這次挑搜索后的搜索結果排序來詳細說說  。

第一步：制定排序策略

排序其實就是比大小  ，所以方法是給排序結果計算分值  ，根據不同的關鍵詞  ，搜出來的結果都有自己的分值 ，只要比較大小就可以算出排序列表  。

接下來就是如何計算的問題  ，也就是哪些因素會影響排序分值  ，請往下看：

第二步：找參數

搜索結果排序這個東西  ，我在做的時候查閱了很多資料  ，但大多數資料都比較偏向底層的技術細節  ，比如說關鍵詞匹配規則  。

好在市面上有比較成熟的解決方案來解決底層的搜索邏輯 ，我們產品只需要決定關鍵詞匹配哪些內容  ，以及賦多少權重即可  。

更為重要的是除了相關度這個因素之外 ，搜索結果的排序還受到哪些因素的影響  ，以及他們是如何影響排序的  。

前文有說到 ，收藏行為是用戶留存的關鍵行為  ，所以食譜的優質標準中最重要的指標也是收藏率（收藏次數/瀏覽次數）  ，因此收藏率會是搜索結果排序公式中的一項參數  。

但是  ，如果只看收藏率也會有問題  ，比如當分子分母都非常小的時候  ，假如瀏覽次數是2 ，收藏次數是1  ，那收藏率就會有50%  ，這種極端情況出現  。

為了減少這種極端  ，會加入另外一個參數  ，就是收藏次數 。

于是到現在已經找好了三個參數：相關度、收藏次數、收藏率 。

第三步：歸一化

定好了參數后  ，由于這些參數幾乎不在一個數量級  ，無法直接放進公式計算  ，因此需要先明確他們的范圍：相關度數量級大約在100以內；收藏次數非常大  ，約為好幾萬  ，且不可控；收藏率范圍在0～1之間  。

因此我們需要把三個參數歸一 ，便于計算 。

由于數學一般  ，當時能想到的方法有兩個：一種是對數  ，一種是分數  。

我來說下我的理解：拿“收藏次數”這個參數來看  ，如果用對數的話 ，可以有一個變量  ，log2^A  ，A是收藏次數  ，如果用這個公式來計算的話  ，2個收藏跟2000個收藏差別不大  ，但還是無法避免前文所說“收藏和瀏覽次數都很小  ，但收藏率極高”的問題 ，且范圍只是在一定范圍內可控  ，仍然不知道如何跟“收藏率”放在一起計算  。

于是模仿了“收藏率”公式：收藏次數/瀏覽次數  ，收藏次數也按照這樣歸一：分子是當前食譜的收藏次數 ，分母是當前搜索結果中的最大收藏次數 。

這樣這個參數就有兩個變量 ，當收藏次數極低時  ，這個參數很小 ，收藏率對整個公式的影響不會是致命的  。

于是仿照這個公式得出“相關度”的歸一  ，得出最終計算排序分值的公式：A*當前相關度/最大相關度+B*當前收藏次數/最大收藏次數+C*當前收藏次數/當前瀏覽次數  。

這樣保證三個參數的取值范圍都是0～1  ，后續只要根據不同關鍵詞  ，調整A、B、C三個值  ，使收藏率高的食譜排在考前的位置即可  。

03 結果和復盤

結果可想而知啦  ，通過搜索路徑產生的收藏轉化  ，提高了30%+ 。

當然這并不是高枕無憂的解決方案  ，由于我們的排序公式對所有詞的搜索結果計算是一視同仁的 ，但是分析了關鍵詞搜索趨勢后發現  ，搜索詞是可以聚類的  ，并不是沒有規律 ，尤其是像食譜搜索這樣的垂直領域 ，用戶對每個（或者說每類）關鍵詞搜出的結果有不同的預期  。

比如說：用戶會搜索食譜類目名稱  ，如“下午茶”、“家常菜”、“創意菜”等 ，或者按照食材來搜索  ，如“雞胸肉”、“三文魚”等  。

單看這兩種類型的搜索詞可以猜測出用戶的搜索場景：搜索類目詞的用戶手上還沒買食材 ，純粹是來找靈感的 ，所以對新鮮感的要求比較高  ，兩天來看到同樣的東西就會失去熱情  ，所以優化的方向應該是加入一個時間參數  ，越新的食譜排在越前面 。

搜索食材詞的用戶大多已經拿買好了食材 ，這個時候找到食譜就行  ，對新鮮感的需求不如類目詞  ，而是需要發掘長尾的食譜 。所以此時優化的方向不會加入時間參數 ，而是在原來的公式上調整權重 ，讓“相關度”的權重更大 。

當然這還只是短期的策略  ，再往后如果資源允許的情況下 ，會加入協同過濾的算法  ，是將相似喜好的用戶分組對待 ，更場景化  。

比如與“我”喜好相似的用戶搜索“家常菜”后點擊或收藏的食譜  ，會排在“我”的搜索結果里更靠前的位置  。

另外  ，由于食譜有時令性  ，用戶在夏天搜索“家常菜”和在冬天搜索“家常菜”的訴求也會是不一樣的  ，比如在夏天搜索“家常菜”我可能更想吃“涼菜”  ，此時如果搜出了很多羊肉湯也是很不合時宜的  ，因此在排序公式中  ，參數前面加上“近期該搜索詞的**量”作為權重公式 ，我覺得會更有效率  。

但是  ，在優化了搜索帶來了一大波轉化后也還是立刻達到瓶頸  ，原因是用戶在進入詳情頁后 ，流量就死了  ，所以下一步我們緊接著就上了“食譜相關推薦”以增加詳情頁流量 ，這是另一個有趣的話題  ，有時間再來寫～

（以上）