在搜尋的每個階段應用機器學習意味著電子商務企

mdrahim246@outl

電子商務網站上的舊搜尋方式（我們討論的與長尾作鬥爭的類型）都是關於查詢關鍵字匹配的。當答案存在時，這種類型的搜尋速度很快 - 想想在服裝網站上搜尋「襪子」 - 但無法應對更複雜的查詢。

這就是為什麼機器學習多年來一直應用於搜尋的三個階段：

查詢處理－尋求語意理解。
檢索– 尋找與查詢相關的符合商品，例如 SKU。
排名－根據與搜尋者及其查詢的相關性對檢索結果進行排名，並應用強化學習隨著購物者偏好、零售商目標及其產品目錄的變化而不斷優化。
我們已經提到過語義搜尋。它是人工智慧驅動的搜尋的要素之一，透過使用自然語言處理來理解相關概念（包括同義詞），可以更好地理解查詢的含義。

正如Google所說，向量搜尋「解鎖了強大的語義匹配」。向量化是創建項目和單字的數字表示（嵌入）的過程，以映射它們的相關程度。零售商可以根據其嵌入建立索引，然後部署該索引進行查詢。

正如 Algolia 詳細介紹的那樣，向量可能很大，因此難以使用（神經網路現在用 電子郵件數據 於壓縮向量以實現更快的處理），並且很難將關鍵字和向量結果結合起來（將向量用作過去的“後備”解決方案）。

業可以透過多種方式受益，並隨著時間的推移而不斷改進。

那麼，人工智慧驅動的搜尋對電子商務體驗意味著什麼？
對於線上零售商來說，有很多方法可以使產品發現變得更加複雜並最終幫助購物者：




購物者可以主動尋求靈感：“我應該如何完成一套服裝？” “鱸魚和什麼搭配最好？” “向我展示電影之夜所需的一切。”
動態行銷：過濾器和分類可以根據搜尋查詢而變化，例如，將過濾器晶片添加到分面搜尋中。
在某些情況下完全擺脫分面搜尋：例如，請參閱汽車市場 Rodo，它將顯示 2 或 3 個結果，並消除尋找正確品牌和型號的麻煩。
即時更新的個人化搜尋結果：這對用戶來說可能並不明顯，但可以包括對購物者的市場需求做出假設，並將這些結果排名更高。
預測搜尋的改進：例如，可以輕鬆識別並提示熱門產品。