个性化和推荐如何增强搜索和发现体验

你正要回家过圣诞节，刚得知你的阿姨也会来。在等飞机回家的时候，你正在浏览你最喜欢的网店——希望能找到一份完美的最后一分钟礼物。但你的手机显示你在巴厘岛，所以网站显示的是印尼语，你一个字也看不懂。

更糟糕的是，页面上连一件圣诞节相关的物品都没有。今天是12月15日。你已经能想象到空手出现在阿姨面前的尴尬了。一丝轻微的恐慌。

你关掉标签页，开始疯狂地在谷歌上搜索“快速配送圣诞礼物”。

这就是个性化失败的代价。着陆页内容不够相关，导致客户流失。内容相关性是转化和流失之间的决定性因素。个性化至关重要：研究表明，76%的用户在网站缺乏个性化时感到沮丧。

人工智能驱动的搜索引擎为开发者提供了解决此问题的工具。它们不仅帮助用户找到他们正在寻找的东西，还赋予他们发现的能力。在本文中，我们将探讨搜索引擎如何帮助开发者构建个性化推荐，以提高参与度和转化率。

我们将首先定义个性化和推荐是什么，然后我们将研究领先公司的实际实现，最后，我们将深入探讨如何使用搜索引擎来构建个性化、推荐以及无缝结合两者的体验。

个性化和推荐是什么？

个性化是什么？

个性化是一种用户体验模式，它为用户或网站访问者提供定制化的体验。通过为用户量身定制体验，使其更直观、熟悉和引人入胜。

例如，一个常见的个性化功能是根据浏览器或设备设置，以用户的母语显示网站。即使存在翻译选项，用户也更倾向于与以其首选语言呈现的网站进行交互。

在搜索中，个性化通常包括显示最近的搜索。Facebook和谷歌等平台使用此功能帮助用户快速访问相关内容。例如，用户打开搜索栏时，可以看到他们最近的搜索，从而加快访问相关页面的速度。

个性化依赖于用户特定数据，例如配置的偏好，或推断的信息，如IP地址、默认浏览器语言或设备类型。这些数据能够实现定制化和用户友好的体验。

推荐是什么？

推荐是一种定制形式，旨在增强用户参与度并提高转化率。它们建议与用户当前正在查看或交互的内容或产品相关的内容或产品。

例如，在电子商务中，搜索MacBook的用户可能会看到其他MacBook型号或相同产品不同颜色的推荐。

推荐的目的是通过缩小用户搜索范围并帮助他们找到相关商品来改善发现。与使用用户特定数据的个性化不同，推荐侧重于商品属性，例如类别、类型或受欢迎程度。

通过基于当前交互提供建议，推荐有效地引导用户找到感兴趣的额外资源或产品。

个性化与推荐：主要区别

个性化和推荐服务于不同的目的，但它们可以很好地协同工作以改善用户体验。

• 个性化：依赖于用户特定数据（例如，位置、偏好）来创建感觉直观和引人入胜的定制体验。它通过为个人量身定制内容来增强熟悉度。

• 推荐：使用内容特定数据（例如，产品详情、趋势）来建议相关或相似的项目。它通过引导用户探索新选项来促进发现。

个性化侧重于用户，而推荐则侧重于内容。结合这两种方法通常能带来最佳效果，平衡熟悉度和发现，以满足不同的用户需求和业务目标。

融合个性化和推荐策略

为了提供卓越的用户体验，许多平台融合了个性化和推荐。这种方法结合了两种模式的优点，以增强搜索和发现。

例如，一个电子商务平台可能会个性化搜索结果，优先显示用户所在国家/地区有售的产品。同时，它还可以推荐在该地区受欢迎的产品。这种混合方法不仅帮助用户更快地找到他们需要的东西，还向他们介绍了适合其背景的新选择。

像 Meilisearch 这样的混合搜索引擎使开发者能够将用户特定过滤器与基于矢量的推荐相结合。这简化了实施，缩短了实现价值的时间，并创建了可扩展、引人入胜的搜索体验。

搜索与发现的个性化和推荐案例研究

在本节中，我们分析领先平台如何实施个性化、推荐和混合方法，以增强用户体验并提高参与度。

个性化示例

Notion：“最近访问”

Notion 在其主页上显示“最近访问”部分，利用用户活动历史来显示相关内容。此功能通过使用户更容易找到相关页面来提高激活率。

对于一个生产力应用来说，这很有意义，因为在许多情况下，用户可能想要回到之前看过的内容。他们可能想从上次停下的地方继续工作，或者他们需要再次查看之前参加的会议中做出的决定。因此，这种应用程序搜索实现在主页上特别适用。

Reddit：“因为你之前访问过这个社区”

类似地，Reddit 根据用户的活动历史建议要加入的社区。这里的目标是提高功能采用率。

此实现有助于推广加入社区，这是应用程序的一个关键功能。对于用户而言，这改善了其订阅内容的个性化。因此，它使他们能够发现更多可能感兴趣的内容，从而实现持续参与和增加留存率。

X (原Twitter)：“发生什么事”

X根据用户位置个性化热门内容。这使得信息对用户更具关联性，并提高了参与度。

在这个例子中，X 允许用户访问热门趋势内容。位置在这里起着重要作用，因为住在巴西的人可能对挪威发生的事情不感兴趣。通过按地理位置筛选，X 确保内容与用户相关，并兑现其让用户了解当前正在发生的事情的承诺。这增加了参与度，因为系统会向用户建议他们可能感兴趣的内容。

推荐示例

Netflix：“因为你喜欢这个”

Netflix 在其应用程序中利用用户评分实施推荐。目标是通过建议类似内容来改善用户的内容发现，从而持续驱动参与度。

这是基于用户与产品交互的推荐案例。在这种情况下，Netflix 使用用户对另一个项目的评分来建议类似内容。这使用户能够找到更多他们喜欢的内容。这种方法已被证明有效，该公司报告称，用户在Netflix上观看的内容有75%来自推荐。

这种方法特别有效，因为推荐系统依赖于高度可信的来源：用户输入。对于用户而言，它增强了他们的体验，并展示了使用“赞”功能的价值。这创造了一个增加其他核心应用功能采用率的良性循环，进一步提高了客户价值。

亚马逊：“购买此商品的顾客也购买了”

亚马逊通过根据购买行为数据建议互补产品来实施不同的推荐系统。这里的目标是增加购物车大小和提高转化率。

在此示例中，推荐不仅基于商品属性（即用户正在查看的产品），还基于所有亚马逊用户的购买行为。该公司利用其业务分析来建议通常一起购买的产品。

这种方法与传统的推荐相似产品（帮助用户在替代品之间做出选择）形成对比。它带来了显著的成果，亚马逊35%的销售额来自推荐。这种模式现在已广受欢迎，并已成为电子商务搜索的标配。

Spotify：“该艺术家的更多作品”

Spotify 在艺术家页面实施推荐，建议该艺术家的其他专辑。目标是增强内容发现并持续参与。

这是最简单的推荐方法，使用一个项目（在本例中为当前专辑）来建议用户可能感兴趣的相关内容。在这里，他们建议同一艺术家的其他专辑。这可以使用任何项目属性来拒绝，例如发行年份或流派。

在截图中，专辑并非按时间顺序发行。这表明它们可能根据当前的收听趋势、用户行为或两者的组合进行排名，以最大化用户互动的可能性。这种方法通过增强内容发现来支持用户激活，帮助用户从产品中获得更多价值，并最终提高留存率。

混合方法示例

Netflix：“您所在地区今日热门电视节目榜前10名”

Netflix 通过结合使用趋势数据和特定地点个性化来创建引人入胜的推荐。目标是进一步提高激活率。

事实上，将趋势过滤到其所在地区特有的趋势，可以创造出更加量身定制的体验。这可以利用错失恐惧症，鼓励观众关注本地趋势。更重要的是，这可能对他们来说更有趣，因为文化群体通常有相似的品味和消费习惯。

这种网站搜索模式最常在拥有大量内容目录的应用程序中实现。它能为用户带来增强的内容发现，并通过改进发现他们可能感兴趣的内容的能力，带来更大的用户激活。

Reddit：搜索下拉菜单

Reddit 的搜索下拉菜单通过融合搜索历史和热门内容推荐来提高参与度，从而帮助用户入门。

搜索下拉菜单包含两个部分：搜索历史和趋势。与Notion相比，Reddit在此处没有列出帖子历史，而是列出了最近访问的社区。通过鼓励用户回访社区，他们可能会发现新的相关内容。然而，每日趋势部分根据全球用户趋势推荐帖子，以实现更直接的激活。

构建个性化搜索和人工智能驱动的推荐工具？

了解了公司如何实现这些技术后，让我们探索支撑它们的底层架构。

基本功能要求

良好的搜索体验对于用户转化至关重要。它可能是用户完全跳出与几次点击完成转化之间的区别。如果实施得当，强大的搜索和发现机制可以成为用户体验的核心部分。考虑一下YouTube、亚马逊或Slack等平台——这些应用程序严重依赖搜索来帮助用户充分发挥其产品的价值。

然而，在尝试混合搭配不同工具来解决手头的任务时，实施搜索可能具有挑战性。为了整体优化搜索和发现体验，最好依赖像 Meilisearch 这样的专用搜索引擎。除了提供高级全文和人工智能驱动的搜索之外，Meilisearch 还提供专用前端库，用于无缝实施常见用户体验模式。

为了支持推荐，使用支持存储和搜索向量的搜索引擎至关重要。向量嵌入是数据的数学表示，允许相似性搜索在数据库中检索相似文档。此功能支持“因为你喜欢这个”或“相似产品”等功能。结合混合搜索，开发者仍然可以使用过滤器、排序和其他全文搜索功能来提供完全可定制的推荐体验。

Meilisearch 将这些功能融合在一起，使开发者更容易创建直观且有影响力的搜索体验，从而提高用户参与度和转化率。

使用搜索引擎进行个性化和推荐

Meilisearch 拥有广泛的功能，使开发者能够构建融合个性化（用户特定结果）和推荐（以项目为中心的洞察）的体验。让我们看看其中一些功能如何实现。

实施个性化需要大量的前端定制来创建量身定制的用户界面。这可能包括根据地区或用户偏好设置默认过滤器，以及利用搜索历史来获得更个性化的结果。当使用为此目的设计的专用库时，这些元素可以更无缝地集成。

通过使用像 Meilisearch 这样的搜索引擎，开发者可以受益于兼容的前端组件集合，包括针对 React 和 Vue 的特定集成。这种方法有助于节省开发时间，降低维护成本，并以最少的精力创建世界级的用户体验。

如何实现个性化和推荐

类似商品的推荐

此场景与 Netflix 的“因为你喜欢这个”示例相同。类似商品的推荐可以实现不同的目标。在电子商务中，它允许用户发现替代品，帮助他们找到满足其需求的理想产品。在媒体平台上，它通常用于通过建议与用户已经互动过的内容相似的内容来重新吸引用户。

在 Meilisearch 电影搜索演示中——一个帮助用户查找流媒体或购买电影平台的应用程序——我们实现了此模式以提供类似电影的建议。例如，在下面的截图中，您可以看到哪些电影与“海洋奇缘2”相似。使用 Meilisearch，此功能可以使用 类似文档 API 实现。

有关实施的更多详细信息，请参阅开源存储库。

使用最近搜索进行搜索个性化

如 Notion 的“最近访问”示例所示，一种常见的个性化实现是利用用户活动历史来显示最近搜索的列表。例如，SaaS 可能希望在搜索下拉菜单中包含用户之前搜索的列表，以使他们能够快速找到他们已经搜索过的内容。

使用 Meilisearch 进行构建时，可以在前端应用程序中使用 Meilisearch 的自动完成客户端以及 autocomplete-plugin-recent-searches 库来实现。以下是 Autocomplete 如何与您的前端应用程序交互的概述。

本地化内容的搜索个性化

此示例类似于 X 的“正在发生什么”部分，其中涉及根据用户位置定制内容。使用 Meilisearch，本地化搜索内容就像应用过滤器一样简单。此过滤器可以对用户隐藏，或设置为他们可以通过用户界面调整的默认选项。

Meilisearch 提供了各种过滤功能，可以微调搜索结果。对于地理空间内容，例如餐厅地址，本地化还可以涉及按与用户的距离对内容进行排序。Meilisearch 的排序功能和地理空间搜索功能使这变得简单明了。

有关实施的更多见解，请查阅电子商务演示和地理搜索演示的 GitHub 存储库。

基于趋势的推荐

此示例与 Reddit 的“今日热门”类似。为了帮助用户入门应用程序，推荐热门内容是促进参与的好方法。这些趋势可以从您的搜索分析或其他您监控或手动收集的业务指标中得出。

您可以使用这些数据构建一个管道，以相应地更新 Meilisearch 索引。以下是一个使用网站流量将人气字段注入索引的示例实现。

提供推荐然后就像对相关索引执行搜索一样简单。要将这些推荐直接集成到搜索下拉菜单中，开发者可以利用 Meilisearch 的自动完成客户端库。

个性化搜索：通过熟悉度和发现来提升参与度

个性化和推荐是经过验证的用户体验模式，通过根据个人需求定制交互来增强客户旅程。个性化利用有关用户的信息（例如他们的偏好或过去的行为）来创建熟悉且引人入胜的体验。另一方面，推荐依赖于公司可用的数据（例如内容目录或购买趋势）来建议具有高转化潜力的商品。

这些策略被领先的在线企业广泛采用，如数字商务、社交网络和流媒体平台等行业的案例研究所示。公司使用这些方法来提高参与度、增加客户满意度并推动业务成果。

通过融合个性化和推荐，您可以创建混合体验，提供两全其美的优势。借助结合了全文搜索、矢量搜索和混合搜索的现代搜索解决方案，您可以根据用户意图调整结果，同时优化内容发现。搜索引擎支持这些模式，从而改进了您网站或应用程序的搜索功能和整体用户体验。

Meilisearch 提供快速、开发者友好的解决方案，可构建随您的业务扩展的混合搜索。立即开始免费试用，或与我们的一位专家联系，了解混合搜索如何改变您的客户旅程。