什么是人工智能搜索相关性?

2021年2月18日

基于机器学习技术的搜索关联优化

当你在你最喜欢的在线零售商的搜索栏中输入查询时，你希望得到什么样的结果?如今，大多数客户都希望搜索引擎具有高度的准确性、相关性和即时性。搜索引擎应该提供个性化的体验，并预测你的需求——即使你的措辞或拼写有一点不对头，或者你的查询有些模糊。许多公司正转向人工智能(AI)来推动他们的搜索引擎在这些领域发挥优势。我们在这里谈论的是AI Powered搜索相关性。

优化搜索相关性——查询和搜索结果之间的准确性水平——对许多拥有强大网站的大型组织来说至关重要，尤其是在线零售商。超过40％的客户先直接到搜索栏，这意味着它是他们对网站的第一个印象。搜索引擎将客户指示他们想要的产品和信息，理想情况下，导致销售。具有高搜索相关性的发动机会产生更高的客户满意度，转换和保留，而搜查体验的糟糕可能会导致客户造成挫折和负面影响。

虽然大多数公司了解集成搜索是如何对客户体验的影响，搜索相关性如何工作？公司正在进行和投资通过利用机器学习（ML）技术来提高搜索相关性。这些组织使用客户行为和分析进行搜索相关机器学习举措，这些举措将客户连接到他们最想要的东西。

人工智能搜索相关性vs.基本搜索

搜索随着时间的推移已经进化。在过去，搜索引擎通常量化搜索关键字在网页上出现的次数;数量越高，特定事物（网站，产品等）的数量越高，搜索结果将排名。这种基本的搜索方法与文档中的文本匹配匹配的方法仍然在许多网站上使用，尤其是较小公司拥有的网站。但在1998年，谷歌改变了一切。该公司进入了现场，是第一个应用高级统计分析技术来解释和分类查询。

如今，许多公司使用人工智能支持的统计分析来推动搜索结果。这部分是由于结果复杂性的增加。内容结构已经发展到不仅包含文本，还包含标记、描述、类别标记和其他可搜索的元数据。此外，公司现在希望结合他们的业务优先级、用户的地理位置、用户过去的行为和其他上下文因素来确定每个人的具体内容相关性。这些复杂性产生了对推导解释和输出解决方案的复杂算法的需求。这是出现了AI-Powered搜索相关性的真实需求的地方。

人工智能还能够区分低质量内容和高质量内容，并据此进行排名。例如，人工智能可以识别搜索引擎优化(SEO)技术试图不公平地从算法中获益(如在产品描述或网页中填充关键词和无形文本)，并将这些搜索结果置于高质量、意图驱动的结果之下。

挑战在改善AI-Powered搜索相关性

搜索相关性是如何工作的

客户的要求从未如此之高;我们对量身定制的体验和满足需求的简便途径的期望极高。然而，每个人都是不同的。我可能会输入“皇后床上用品”，你可能会输入“comforter”，然而我们都很可能在搜索相同的产品，作为我们的最终结果。人们问同一个问题的方式各不相同;学习所有这些可能的迭代对于任何算法来说都是困难的。

然而，在理解迭代之前，算法必须在基本水平上理解我们的语言。自然语言理解是机器学习人类语言的一门学科。为了获得成功的搜索相关性，模型必须能够检测，例如，单词“寝具”的意思，并提供适当的结果。更复杂的是，搜索引擎还应该猜出，当我输入“bedding”时，我实际上指的是“寝具”。模型必须考虑到拼写、拼写和语法错误的频率。

教授搜索引擎以了解我们的自然语言需要大量的训练数据．鉴于在收集和准备这些数据所需的费用，时间和努力的感知，这可能是克服许多公司，特别是小或中等规模的障碍。最初设想时，整合人工智能搜索智能似乎是一项不可逾越的任务。

不过，公司不应该气馁。看看Shotzr和Appen一起工作要确定超过17,000个不需要额外标签的图像，因此他们可以专注于那些所做的那些，从而改善股票摄影的搜索相关性。

基于ml的人工智能搜索关联优化方法

人工智能搜索引擎依靠自然语言处理(NLP)来阅读、理解、解释和分析查询。如前所述，这些以改进搜索相关性为目标的模型需要对自然语言数据进行训练。这些数据必须涵盖数以百万计的用例和边缘用例，它们从模糊到精确。一个好的算法应该在查询不明显的情况下提供最优的搜索结果。

在自然语言处理学科中有许多技术，包括语义注释、文本分析和命名实体识别。我们的NLP简介．重要的是要知道，这些技术为机器配备了分析文本并揭示其含义的工具。搜索引擎可以使用派生的含义来检测查询的最佳结果，并对这些结果进行更高的排序。

搜索相关性模型也可能使用单击跟踪，这决定了哪些结果对于基于该人的过去的查询，最有可能成为个人最适合的结果。

特定的搜索引擎，如谷歌图像搜索或Adobe股票照片，需要图像分析。像NLP一样，图像分析也是一种需要大量高质量，注释图像数据．图像分析帮助机器将图像和图像质量分类为相关的、可搜索的特征。

在使用这些ML技术时，最好有一个循环提供地面真实监测的方法。例如，人们可以评估特定查询是否提供了相关的搜索结果。在错误的情况下，人类可以向机器提供反馈，以提高其准确性。

随着查询输入的发展，机器也将不得不适应。传统上，查询是基于文本的，但现在我们看到了使用图像搜索或使用语音查询的机会。这将给搜索引擎增加新的但并非不可克服的复杂性。

来自Appen AI-Powered搜索相关专家Kelly Sinclair的见解

在Appen，我们依靠我们的专家团队来帮助您建立利用人工智能驱动的搜索相关性的前沿模型，从而实现成功的搜索相关性。反过来，这提供了高质量的客户体验并提高了业务ROI。Kelly Sinclair，我们的客户服务交付总监，是我们团队在实施和改进机器学习搜索相关性时确保客户成功的领先专家之一。Kelly对成功的搜索相关项目的三大见解包括:

确定业务需求。相关性是具有挑战性的。它可以严重依赖于许多更改的变量，例如语义，位置或上下文。用户意图是至关重要的，因为这种类型的工作可以是主观的。在移动设备上进行的查询将在桌面上执行相同搜索的用户产生相同的结果。成功来自对每个项目的深刻理解及其目标。这些目标应具体，可衡量，可实现和相关
为该项目制定明确的目标和指标。发展质量数据不是瞬间 - 它需要培训，加固和时间驱动的专业知识。为此，我们必须定义成功的样子。这些可衡量的结果应该可以接受，并由所有参与的所有利益攸关方达成一致。项目是动态的，并且随着循环的每次迭代导致效率和数据质量的改善，我们应该审查指标，以确保我们仍在提供价值。
实现数据驱动的决策。数据驱动决策的过程始于基于可测量目标的数据收集和数据信号的识别。机器学习可以帮助识别差距，识别模式和改进决策的领域。然后，我们可以采取分析方法，以确定响应这些见解的下一个最佳步骤。