Version: 1.1.1

个性化搜索

在搜索体验的构建中，个性化指的是根据用户的独特特征对搜索结果进行不同的排序。这种机制主要有两种类型：

组级个性化：根据用户组的聚合特征（例如订阅计划、用户角色、高客户终身价值等）或共同的历史行为，对每个用户组的搜索结果进行独特排序。
用户级个性化：根据每个特定用户的具体历史行为（如过去的搜索、购买、点击等），对搜索结果进行独特排序。

组级个性化

首先，我们来看看如何使用 kumosearch 的基于受欢迎度的排名功能来实现 组级个性化。这种方法比需要使用机器学习的用户级个性化更简单且易于实现。

以一家硬件工具电商为例，用户可以选择加入三种付费订阅计划之一：

爱好者计划
高级计划
专业计划

假设我们希望根据用户所订阅的计划，在他们搜索时展示不同的产品。例如，如果 爱好者计划 的用户搜索 螺丝刀，我们希望向他们展示适合爱好者的小型螺丝刀套装。而如果 专业计划 的用户搜索相同的术语，我们希望向他们展示适合专业人士的重型专业级电动螺丝刀套装。

以下演示如何使用 kumosearch 实现这一目标。

假设我们有以下两条产品记录：

[
  {
    "name": "3-piece Screwdriver Set",
    "price": 10.0,
    "category": "Tools"
  },
  {
    "name": "120-piece Power Screwdriver Set",
    "price": 250.0,
    "category": "Tools"
  }
]

我们可以根据启发式规则或已知的组别特征，为每个记录添加特定的受欢迎度分数，如下所示：

[
  {
    "name": "3-piece Screwdriver Set",
    "price": 10.0,
    "category": "Tools",
    "hobbyist_plan_popularity_score": 100,
    "advanced_plan_popularity_score": 50,
    "professional_plan_popularity_score": 10
  },
  {
    "name": "120-piece Power Screwdriver Set",
    "price": 250.0,
    "category": "Tools",
    "hobbyist_plan_popularity_score": 10,
    "advanced_plan_popularity_score": 50,
    "professional_plan_popularity_score": 100    
  }
]

可以使用任何现有的业务逻辑或使用 ML 模型来计算这些受欢迎度分数。

现在，如果爱好者计划的用户登录，为了显示个性化的搜索结果，我们将在查询中添加以下 sort_by 参数：

sort_by=_text_match(buckets: 10):desc,hobbyist_plan_popularity_score:desc

这将使 kumosearch 将文本相关性与受欢迎度分数结合，优先显示 三件套螺丝刀。

同样地，如果 专业计划 的用户登录，我们将此 sort_by 参数添加到搜索查询中：

sort_by=_text_match(buckets: 10):desc,professional_plan_popularity_score:desc

这将使 kumosearch 将文本相关性与受欢迎度分数结合，优先显示 120件电动螺丝刀套装。

使用案例

还可以根据以下内容向不同用户显示个性化结果：

客户价值（例如，高、中、低消费者）
用户年限（例如，超过 5 年的用户、2 年的用户和新用户）
年龄
性别
地理位置（例如，为亚洲和欧洲客户展示不同的产品排名）

用户级个性化

kumosearch 的向量搜索重排序功能允许从 ML 模型引入嵌入（将用户过去的行为作为输入），在 kumosearch 中对其进行索引，并根据每个用户的历史行为对搜索结果进行重新排序。

例如，您可以按照推荐开发手册中的步骤构建模型，在最后一步中，无需将新行为生成的嵌入发送到 vector_query 参数（用于生成推荐），而是发送到 sort_by 参数，以个性化方式重新排序结果：

curl "${KUMOSEARCH_URL}/multi_search" \
        -X POST \
        -H "Content-Type: application/json" \
        -H "X-KUMOSEARCH-API-KEY: ${KUMOSEARCH_API_KEY}" \
        -d '{
          "searches": [
            {
              "collection": "products",
              "q": "shoes",
              "query_by": "title,brand,category",
              "sort_by": "_text_match:desc,_vector_query(embedding:(['${embedding%?}'])):asc"
            }
          ]
        }' | jq '.results[0].hits[]'

kumosearch 将首先对 鞋子 进行关键字搜索，然后利用机器学习模型生成的嵌入向量，根据该用户历史行为对搜索结果进行重新排序，使最符合用户偏好的记录排名更高。

组级个性化​

使用案例​

用户级个性化​

组级个性化

使用案例

用户级个性化