对于内容型的产品来说，一款好的搜索功能，可以最大程度放大内容效益——吸引用户留下来，并促使进入流量到下一波的转化。而笔者也以自己的搜索优化实践为例，说明了一系列的操作步骤，希望对你有所启发。

来交代下近况：来了**煮工作一年多了，在经历了半年app迭代功能规划工作之后我终于迎来了第一个高级功能——搜索优化。

（不是说其他功能不高级，只是搜索是对我来说全新的领域，跟以往负责的工作大不相同，所以称之为高级）

01 背景

我所负责的是APP的内容线的工作，核心工作围绕留存率展开。

在进行数据分析后发现留存率与用户收藏次数有关，收藏越多，留存率越高。因此提高留存，就要提高收藏。

明确了留存的关键行为后，就该去探索用户发生关键行为的核心漏斗。

通过app的流量分析可以知道，大部分流量进入食谱详情页的路径是通过搜索，所以优化“搜索 → 浏览 → 收藏”这个路径，预测会得到最大的转化率。（实际上也是的）

02 过程

首先需要确定搜索的流程，大致确定为三步：

1. 搜索前：热搜词、历史搜索等
2. 搜索时：关键词联想、自动纠错等
3. 搜索后：无结果的推荐、有结果时的排序等

这次挑搜索后的搜索结果排序来详细说说。

第一步：制定排序策略

排序其实就是比大小，所以方法是给排序结果计算分值，根据不同的关键词，搜出来的结果都有自己的分值，只要比较大小就可以算出排序列表。

接下来就是如何计算的问题，也就是哪些因素会影响排序分值，请往下看：

第二步：找参数

搜索结果排序这个东西，我在做的时候查阅了很多资料，但大多数资料都比较偏向底层的技术细节，比如说关键词匹配规则。

好在市面上有比较成熟的解决方案来解决底层的搜索逻辑，我们产品只需要决定关键词匹配哪些内容，以及赋多少权重即可。

更为重要的是除了相关度这个因素之外，搜索结果的排序还受到哪些因素的影响，以及他们是如何影响排序的。

前文有说到，收藏行为是用户留存的关键行为，所以食谱的优质标准中最重要的指标也是收藏率（收藏次数/浏览次数），因此收藏率会是搜索结果排序公式中的一项参数。

但是，如果只看收藏率也会有问题，比如当分子分母都非常小的时候，假如浏览次数是2，收藏次数是1，那收藏率就会有50%，这种极端情况出现。

为了减少这种极端，会加入另外一个参数，就是收藏次数。

于是到现在已经找好了三个参数：相关度、收藏次数、收藏率。

第三步：归一化

定好了参数后，由于这些参数几乎不在一个数量级，无法直接放进公式计算，因此需要先明确他们的范围：相关度数量级大约在100以内；收藏次数非常大，约为好几万，且不可控；收藏率范围在0～1之间。

因此我们需要把三个参数归一，便于计算。

由于数学一般，当时能想到的方法有两个：一种是对数，一种是分数。

我来说下我的理解：拿“收藏次数”这个参数来看，如果用对数的话，可以有一个变量，log2^A，A是收藏次数，如果用这个公式来计算的话，2个收藏跟2000个收藏差别不大，但还是无法避免前文所说“收藏和浏览次数都很小，但收藏率极高”的问题，且范围只是在一定范围内可控，仍然不知道如何跟“收藏率”放在一起计算。

于是模仿了“收藏率”公式：收藏次数/浏览次数，收藏次数也按照这样归一：分子是当前食谱的收藏次数，分母是当前搜索结果中的最大收藏次数。

这样这个参数就有两个变量，当收藏次数极低时，这个参数很小，收藏率对整个公式的影响不会是致命的。

于是仿照这个公式得出“相关度”的归一，得出最终计算排序分值的公式：A*当前相关度/最大相关度+B*当前收藏次数/最大收藏次数+C*当前收藏次数/当前浏览次数。

这样保证三个参数的取值范围都是0～1，后续只要根据不同关键词，调整A、B、C三个值，使收藏率高的食谱排在考前的位置即可。

03 结果和复盘

结果可想而知啦，通过搜索路径产生的收藏转化，提高了30%+。

当然这并不是高枕无忧的解决方案，由于我们的排序公式对所有词的搜索结果计算是一视同仁的，但是分析了关键词搜索趋势后发现，搜索词是可以聚类的，并不是没有规律，尤其是像食谱搜索这样的垂直领域，用户对每个（或者说每类）关键词搜出的结果有不同的预期。

比如说：用户会搜索食谱类目名称，如“下午茶”、“家常菜”、“创意菜”等，或者按照食材来搜索，如“鸡胸肉”、“三文鱼”等。

单看这两种类型的搜索词可以猜测出用户的搜索场景：搜索类目词的用户手上还没买食材，纯粹是来找灵感的，所以对新鲜感的要求比较高，两天来看到同样的东西就会失去热情，所以优化的方向应该是加入一个时间参数，越新的食谱排在越前面。

搜索食材词的用户大多已经拿买好了食材，这个时候找到食谱就行，对新鲜感的需求不如类目词，而是需要发掘长尾的食谱。所以此时优化的方向不会加入时间参数，而是在原来的公式上调整权重，让“相关度”的权重更大。

当然这还只是短期的策略，再往后如果资源允许的情况下，会加入协同过滤的算法，是将相似喜好的用户分组对待，更场景化。

比如与“我”喜好相似的用户搜索“家常菜”后点击或收藏的食谱，会排在“我”的搜索结果里更靠前的位置。

另外，由于食谱有时令性，用户在夏天搜索“家常菜”和在冬天搜索“家常菜”的诉求也会是不一样的，比如在夏天搜索“家常菜”我可能更想吃“凉菜”，此时如果搜出了很多羊肉汤也是很不合时宜的，因此在排序公式中，参数前面加上“近期该搜索词的**量”作为权重公式，我觉得会更有效率。

但是，在优化了搜索带来了一大波转化后也还是立刻达到瓶颈，原因是用户在进入详情页后，流量就死了，所以下一步我们紧接着就上了“食谱相关推荐”以增加详情页流量，这是另一个有趣的话题，有时间再来写～

（以上）

本文由 @Emma 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。