大多数个性化搜索体验都是谎言

我们被赋予了一个激动人心的梦想——但它并未完全达到预期。

随着人工智能的快速发展，谷歌等大公司承诺彻底改变我们发现信息的方式。

搜索本应变得更快、更智能、更符合我们的需求。

然而，我们仍然在无关的建议和一刀切的推荐中挣扎。

个性化搜索？也许更像是个性化猜测。

那么，哪里出了问题？让我们一起探讨一下。

大多数“个性化”搜索体验的实际表现

每朵玫瑰都有刺，个性化搜索引擎也是如此。

以“定制”之名销售的往往只是一种简单的数据检索。

即便如此，你也很可能找不到你想要的东西。

为什么会这样？

以下是一些原因：

原因一：固定的词序

个性化搜索引擎通常遵循硬编码的词序，预先决定了最终结果。

Prozis 电商公司的搜索引擎就依赖此规则来搜索产品。

例如，如果我们搜索“生酮饮食坚果酱”，结果会按“榛子酱”、“开心果酱”和“杏仁酱”的顺序排列。

图片来源：Prozis

但问题来了。

榛子酱和开心果酱分别排在第一和第二，它们不适合生酮饮食，而真正的生酮杏仁酱却排在第三。

你在这里看到的是相关性排序。

词语的顺序预先决定并优先显示与查询密切匹配的搜索结果。

然而，在这种情况下，关键的用户意图缺失了。

我们列表中的下一点也是关于同样的问题。

原因二：孤注一掷

通常，阻碍个性化搜索的并非词序。

而是过于简化的用户细分。

个性化搜索引擎经常将用户归入宽泛的类别（例如，“科技购物者”、“户外爱好者”）。

老实说，这样更容易。

然而，我们得到的结果却是不准确和无关紧要的推荐。

毕竟，万事皆有细微差别。比如说，两个人都是户外爱好者；一个人喜欢徒步，另一个人却讨厌徒步，更喜欢豪华露营。

他们都属于同一群体。但他们真的相同吗？

流媒体服务也存在这个问题，而Netflix就是一个很好的例子。

注册时，您必须选择三部您喜欢的电影/电视节目。

图片来源：Netflix

如果你选择医疗剧和关于法律与执法的系列剧，猜猜你会得到什么。

图片来源：Netflix

但这三部剧真的能反映你*所有*的观影偏好吗？

几乎不可能。

是的，你可能喜欢一些关于执法的节目，但你也可能讨厌看犯罪剧《嗜血法医》，因为它太血腥了。

不过，这还不是全部。

如果你仔细观察上面图片中推荐的节目，你会发现其中一些已经存在了一段时间（例如《豪斯医生》、《越狱》或《金装律师》），你可能已经看过了。

因此，Netflix 的算法也存在过滤气泡效应，这意味着你除了已经接触过的内容之外，不会接触到任何其他内容。

原因三：金钱至上

个性化意味着优先级。

在我们的案例中，是用户搜索意图及其兴趣的优先级。

大多数搜索引擎声称它们尊重这一优先级。

但它们首先要履行对广告商的义务。

许多在线市场都遵循这一逻辑，速卖通就是一个很好的例子。

当您搜索产品时，该平台会为您提供各种选项，但在此之前，它会先显示两行付费广告。

图片来源：速卖通

公平地说，像速卖通这样的市场需要与广告商合作才能维持其业务。

然而，用广告淹没搜索结果与速卖通在其主页底部声称的“为您量身定制的精选产品”相矛盾。

你不能指望用户在滚动浏览几行广告后，还会对产品推荐感到满意。

这根本不是个性化的意义所在。

什么是真正的个性化？

答案看似简单：个性化是深入理解用户需求。

当然，实际情况要复杂得多。

个性化搜索最大的障碍是分析海量用户数据，以提供最相关的搜索结果。

品牌和市场严重依赖人工智能来完成这项任务，但这并非总是答案。

毕竟，速卖通利用人工智能实现搜索结果个性化，但其系统远非完美。

人工智能可以成为个性化搜索结果的坚实基础，但这个基础只有建立在以下五个支柱之上才能保持其完整性。

支柱一：基于意图的个性化

个性化发生于用户和服务提供商之间建立起完整的默契之时。

在我们的案例中，建立这种默契（因为搜索引擎是机器）的关键在于自然语言处理，即NLP。

NLP算法使用语义网络模型来理解用户意图，从而实现个性化。

它是如何运作的？

本质上，语义搜索旨在理解词语背后的上下文，并分析结构化数据以理解查询的语义含义。

亚马逊的 A9 搜索引擎可能是这个模型实际运作的最佳范例。

我们以关键词 *book emotional intelligence toddler* 为例。

这里的关键词是toddler（学步儿童），这意味着我们不是在搜索成人情绪智力指南。

搜索引擎捕捉到这一点，并准确地分享我们所需要的内容：几本适合儿童阅读的书籍选项。

图片来源：亚马逊

我们还测试了之前关于花生酱的例子，亚马逊的搜索引擎只给出了生酮友好型产品作为最佳结果。

图片来源：亚马逊

但是，如果你的查询中有错别字，你还会得到个性化推荐吗？

我们接下来讨论这个问题。

支柱二：错别字容忍

仅仅因为打错字而不得不重新输入查询并得到错误结果，这绝不是一个愉快的体验。

搜索引擎使用潜在语义索引方法来检索信息，以最大限度地减少此类情况。

LSI 对错别字具有鲁棒性，因为它依赖语义理解来理解隐藏的概念。

这正是您所需要的，尤其是当您提供广泛的产品时。

Minipouce就是一个很好的例子。

下面，我们故意在“ring”这个词中打错了一个字，但仍然得到了相关的结果。

图片来源：Minipouce

该公司目录中有许多产品的名称相似，这只会增加出现错别字的可能性。因此，Minipouce 使用了 Meilisearch 的开源版本，以每次都优化产品搜索，获得相关结果。

支柱三：实时自适应学习

查询结果应该在用户与搜索引擎的交互过程中动态变化，而不是仅仅依赖静态过滤器。

为什么？

任何形式的互动都不是静态的。

用户在搜索合适的产品或信息时，其偏好和行为可能会发生变化，真正的个性化必须考虑到这一点。

因此，搜索引擎采用实时自适应学习至关重要。请看下方由 Meilisearch 提供支持的搜索引擎如何运作。

它是如何运作的？

这是一个复杂的过程，但我们可以将其分解为三个主要步骤：

• 收集和分析用户数据。搜索引擎首先收集用户搜索和相关交互的信息，为未来的个性化奠定基础。
• 调整算法。收集到的数据及其分析会影响排名、相关搜索和其他搜索算法元素，从而根据特定意图提供结果。
• 调整结果。随着用户与搜索引擎的进一步互动，搜索引擎会调整其行为，生成并优先显示相关结果，以适应用户不断变化的偏好。

当然，用户行为并不是影响搜索结果相关性的唯一因素。

搜索引擎处理的内容也至关重要。

因此，它使用的信息检索方法也同样重要。

我们接下来讨论这个问题。

支柱四：正确的信息检索方法

信息检索 (IR) 指的是查找和检索相关数据的过程。

这个过程包含三个步骤，如下所示。

• 第一步：分析非结构化数据，如网页和文本文档。
• 第二步：索引数据使其结构化，然后处理查询以匹配索引。
• 第三步：根据相关性对查询结果进行排序。

您已经熟悉一些 IR 方法，例如前面提到的 LSI。

而且，您可能已经注意到，它们对内容的解释方式略有不同。

语义搜索侧重于查询的意图和上下文含义，这使其特别适合网络搜索。

LSI 是语义搜索的一种变体，它能在单词和文档中发现隐藏的概念。因此，它非常适合文档聚类等任务。

还有一种是神经网络搜索，它采用深度神经网络 (DNN) 来理解搜索查询背后的上下文。

神经网络搜索的复杂性不同于上述方法。它以更细致的层面探索上下文关系，这使其更适用于涉及对话式查询的搜索引擎。

还有混合搜索，它是上述所有模型的结合，常用于增强型信息检索系统。

这些信息检索方法在实际生活中还有哪些用途？

这里有一些建议。

当然，这些只是少数几个例子，因为信息检索可以有更多的应用。

但有一点将它们都联系在一起。

无论搜索引擎使用何种信息检索，它都涉及到个人用户数据。

这就引发了隐私问题。

接下来我们来谈谈这个问题。

支柱五：尊重隐私

众所周知，人工智能驱动的搜索引擎依靠机器学习来提供最准确的结果。

这当然意味着它们会分析数百万次搜索的数据，并且必须检查用户数据。

但是，如何在提供顶级个性化功能的同时，确保隐私得到维护呢？

以下策略有助于完成这项工作。

• 数据加密：通过静态和传输中加密来保护数据免受第三方侵害。
• 访问控制：引入多重身份验证和基于角色的权限。
• 有限数据共享：规范与第三方的数据共享。
• 联邦学习：训练AI从新的系统更新中学习，而不是从原始用户数据中学习。
• 有效匿名化：通过隐藏个人身份信息来防止用户去匿名化。

当然，关键在于请求用户许可使用他们分享的任何数据，如果他们后来改变主意，则让他们完全控制其信息的处理方式。

为个性化搜索奠定坚实基础

真正的个性化不仅仅是提供*看起来*定制化的结果。

大多数所谓的个性化搜索之所以失败，是因为它们优先考虑静态逻辑、广泛的细分和广告商的利益，而不是用户意图。

但并非一切都已失去。

将个性化建立在自然语言处理的基础上，使用正确的信息检索方法，最重要的是，尊重隐私，是提供真正重要的搜索体验的关键。