乍一看，电子商务产品搜索和产品推荐之间的差异似乎相当明显。我们都在网上购物时看到了这两种明确的例子，但通常是在客户旅程的不同阶段。

不管它们在底层技术上看起来多么相似，传统的搜索引擎与产品推荐引擎有很大的不同。行为通常位于推荐系统的中心，同时它是搜索引擎的附加维度。

继续阅读以了解它们之间的区别以及为什么随着机器学习和人工智能的出现这会发生变化。

多种类型的推荐引擎

您不必费力寻找许多具有不同特征和品质的不同电子商务推荐系统。您很可能已经遇到过很多类型。它们的范围从针对特定网站或应用程序的高度专业化的专有解决方案，到通用且相当简单的变体。

一些好的推荐引擎利用大数据根据访问者之前的活动和其他类似客户的活动提供个性化推荐。

亚马逊提供了一个更复杂的推荐系统（内部构建）的一个很好的例子，该系统（除其他外）根据其他客户与该商品一起购买的产品为访问者将要购买的产品推荐配件。

这当然是提高平均订单价值的强大工具，但需要大量客户数据才能自动运行。大多数零售商——除了亚马逊——没有的数据量，而且大多数第三方推荐引擎无法处理。

大多数 3rd 方推荐引擎将通过分析购物行为以及产品和产品类别之间的关系来提出 建议。它 使用大量的行为数据来得出关于单个产品或一小组产品的结论。

为了创建客户细分并使用这些细分来预测访问者可能感兴趣的内容，推荐引擎使用一种称为“协同过滤”的技术，该技术由以下步骤组成：

• 它找到一组客户，其购买的商品与访问者之前购买的商品重叠。
• 它聚合来自这些类似客户的项目
• 它消除了访问者已经购买的物品
• 然后向访问者推荐剩余的项目

然后，引擎提供 一系列推荐列表，用于客户旅程中的不同点（例如产品页面、结账页面、搜索结果页面、类别页面、访问后电子邮件等）。这些单独的推荐列表通常基于以下数据：

• 访问者过去的浏览行为（浏览量、点击量、加入购物车、购买）
• 类别最畅销或最受欢迎的商品（点击最多，其他访问者购买最多）
• 与正在查看的项目属于同一类别的高利润项目
• 运费（即列出没有运费的产品）

• 搜索查询（即显示其他访问者在同一查询后购买的产品）

  • 注意：这通常只会导致已作为搜索结果提供的产品的冗余列表。 采取更多行动来加强选择哪个搜索结果。

• 互补性（即像亚马逊建议的 配件清单）

  • 注意：亚马逊拥有足够的数据，可以通过查看过去客户与相关物品一起购买的物品来确定什么是潜在的配件。没有亚马逊级别数据的零售商将需要手动创建产品之间的关联——更多时候依赖于基本的类别结构（例如，在查看一条裤子时显示衬衫列表）

大多数推荐解决方案还将提供用于创建IF-Then业务逻辑过滤器的配置接口，这些过滤器有助于在推荐列表中更突出地促进销售、高利润、低价等项目。

最后，几乎所有专有推荐解决方案都将提供通过电子邮件活动以及现场横幅和导航来推广那些推荐产品的功能。更好的工具将包括在展示广告中使用推荐项目的方法。

为什么产品搜索引擎不是好的产品推荐引擎

传统的产品搜索引擎几乎不需要详细介绍。基本站点搜索可作为所有现代电子商务平台的标准插件或内置于所有现代电子商务平台中。它们中的大多数都相对简单易用，具有基本的文本匹配功能。 它们通常 支持产品标题、描述和类别结构的索引、自动更正、模糊匹配（处理复数查询和词干提取）并识别同义词（通常通过可配置的字典）。

经典搜索问题涉及语言处理（标记化、词干提取等）、索引、查询扩展、产品排名等。高级搜索引擎可以专注于单词相似性和单词聚类。

可用的最基本的搜索算法执行以下操作：

• 将查询字符串分解为单词
• 通过针对已知数据字段（如标题、描述、特征）逐字编写搜索查询。在这里发言的样子“在哪里（说明LIKE‘％红色％’或功能，如‘％红色％’或标题，如‘％的红色％’）和（说明LIKE‘％袋子’......等等等等）”
• 根据查询词在产品元数据中出现的位置按排名顺序显示结果（例如，在产品标题中找到的匹配比在描述中找到的匹配具有更大的权重）。

当推荐引擎使用“类似搜索”的方法解决问题时会发生什么

虽然推荐引擎可以使用类似于搜索算法的方法来查找类似产品，但这种系统的输入与实际搜索引擎用作输入的内容完全不同（即搜索引擎使用文本字符串作为输入，而不是产品）。

发生的事情是推荐系统将推荐问题视为对相关项目的搜索 - 使用访问者正在查看或购买的产品作为输入。 因此，给定产品作为输入，该算法创建具有一组查询规则的搜索查询，以查找同一品牌、同一类别或具有相似关键字的其他产品。

不幸的是，这种基于搜索的推荐系统对于有大量购买的客户来说扩展性很差，并且通常提供的推荐范围太广或太窄。由于推荐旨在帮助访问者查找和发现新的、相关的和有趣的项目，因此通过类似搜索的方法找到的来自同一品牌或类别的产品通常无法满足这一目标。

为什么产品推荐引擎不是好的产品搜索引擎

提供热门商品、高利润或特价商品的列表作为搜索结果几乎不会导致“相关搜索体验”。搜索访问者有一些特定的想法，并期望搜索结果准确反映该意图。这是一个与访客简单浏览截然不同的客户旅程。

与使用行为数据得出关于单个产品或一小组产品的结论的推荐系统不同，搜索系统必须根据文本字符串（即搜索查询）而不是针对一个产品或一组产品来查找和排名所有产品。

因此，尽管查询字符串 ' blue hat ' 和实际的 Blue Hat 产品之间的差异乍一看似乎很小，但它们是完全不同的输入。

如果搜索结果页面包含来自与顶级搜索结果相同类别的热门商品的辅助列表，这是一个不错的奖励，可以帮助增加购物篮的大小。但是，如果搜索结果一开始就不相关，则不太可能产生任何额外影响。

在这种情况下，访问者可能会认为零售商没有携带他们要找的东西而完全离开网站。

不幸的是，更多时候不是，搜索返回不相关或空结果的唯一原因是因为访问者在他们的查询中犯了一个小错误，或者他们使用的分类法与零售商使用的分类法不同。

推荐结果和产品搜索的未来

在使用 Magento 等电子商务平台提供的默认解决方案时，产品推荐和产品搜索是独立的功能，这两者通常需要手动配置和维护才能正常运行。

即使产品范围适中，也可能会花费无数时间来调整和重定向搜索结果，或在单个产品级别上添加相关产品。当功能被部分或完全忽略时，它通常会变得非常耗时，进而导致转化率降低和用户体验不佳。

幸运的是，选择优质的第三方提供商可以缓解所有这些问题。但重要的是要记住，搜索引擎和推荐引擎是非常不同的野兽——算法的功能非常不同。

而推荐系统往往专注于解决以下问题：

• 数据稀疏性：为了拥有一个有效的系统，您通常需要拥有大量与网站进行过大量交互的用户。这群人将对推荐引擎的工作方式产生很大的影响
• 冷启动：新鲜时，引擎没有或很少有行为数据。根据零售商的不同，积累足够的行为数据可能需要几个月的时间。
• 海量数据

搜索引擎通常关注以下内容：

• 高效索引： 用于快速定位数据，无需每次访问数据库表时都搜索数据库表中的每一行
• 属性排序规则： 使用依赖查询和查询无关的方法的组合，根据结果与用户查询的预期相关性对结果进行排序
• 模糊查询匹配：近似字符串匹配（例如“rmabo”与“rambo”）
• 词干： 使单词相互匹配，即使它们不是完全相同的形式（例如 run/runs/running/ran 或 cat/cats）
• 标记化： 将文本流分解为单词、短语、符号或其他称为标记的有意义元素的过程

这两种引擎之间最重要的区别之一是访问者行为处于推荐系统的中心，但它是搜索引擎的一个附加维度。

随着机器学习的出现，搜索算法在使用行为数据方面取得了长足的进步。允许点击、加入购物车和购买行为来影响结果的排序（即不再仅基于在产品元数据中找到文本匹配的位置进行排序）。

机器学习使搜索引擎能够在进行任何查询或收集任何行为数据之前了解产品之间的关系。通过这种方式，搜索引擎可以在基本共享类别或品牌之外找到类似或相关的产品。它可以识别所有元数据中的复杂模式，并为产品目录构建深层架构。

在此基础上，机器学习搜索引擎可以生成与实际搜索查询无关的推荐产品列表。尽管这些推荐产品的生成方式与经典推荐系统生成的产品不同，但它们对客户体验的影响是相同的。

提供与正在查看或搜索的产品相似的“推荐产品”列表可以——而且将会——提高转化率和购物篮大小。

机器学习现场产品搜索和推荐

机器学习使搜索引擎能够映射以前从未存在过的产品之间的关系。这样做时，它可以生成一个智能的、自我优化的“推荐结果”列表，这与推荐系统提供的结果完全不同。

而且，这种类型的引擎基本上需要零行为数据才能运行——几乎消除了冷启动问题（注意：应该将行为数据添加到引擎中，以帮助细化产品的分类以获得更大的相关性）。

Loop54正是这样做的。我们的相关搜索结果（这样命名是为了避免将我们的服务与产品推荐混淆）是与实际搜索查询无关的产品列表。相反，它们与通过搜索找到的产品相关。

我们的 相关结果通常通过以下三种方式之一与直接搜索结果相关：

我们的机器学习搜索引擎不仅可以自动识别相关或相似的项目（即不再需要手动 设置后端If Then规则），它还可以使用更少量的行为数据来优化列表中产品的相关性和顺序。

它怎么能做到这一点？嗯，因为每个行为数据点都附加到一个产品网络，而不是单个 SKU。

此示例显示了即使是单个行为数据点也能影响所有结果的排序。从以男鞋为主的结果列表中购买女鞋会影响下一次搜索的结果排序。将更多女鞋放在搜索结果的首位（即不仅仅是之前购买的那双鞋）。这允许行为影响一般级别（即受欢迎程度）和个人级别（即个性化）的相关性。

via Product Search Engines - vs - Product Recommendation Engines