2023年基础功能理解：搜索功能的设计理解

基础功能理解：搜索功能的设计理解搜寻功能是很多产品的核心，例如电商搜寻、内容搜寻等等；面对如何进行搜寻功能设计，的确是个看似简洁实则浅显的问题。

不管不顾，随后画一个条形框、正方体，他们就是搜寻框和搜寻图标就能代表一个搜寻模块；若要认真研磨，各种用户交互问题，各类规律，那他们也是一个搜寻系统；这一切都取决于你，产品设计师如何设计。

设计一个搜寻功能我们需要从用户体验和功能实现两方面动身：

用户体验包含了样式UI设计、交互设计；囊括起来说就是用户搜寻前、搜寻中以及搜寻后用户对我们的功能的感知；而功能实现则是聚焦用户对问题的输入，和我们结果的输出（结果匹配度）。由此我将分成搜寻的设计和搜寻的规律两部分进行说明。

一、搜寻的设计

先从可感知的样式来说。我们根据用户路径地图来理解用户使用功能时的详细步骤：

用户使用产品有疑问需要搜寻解决观察搜寻功能点击搜寻功能（绽开输入框）输入问题点击确认等到结果反馈翻阅搜寻结果选择结果进行查阅。

根据上述路径，我们可以将用户使用搜寻功能的场景分为三部分：搜寻前、搜寻中、搜素后。同时依据应用场景的不同，还需区分移动端和PC端。

1.搜寻前

首先，我需要申明我对于搜寻核心的定义，那就是搜寻功能核心在于解决用户的疑问，赐予用户满足的答案；因此我们在设计的时候，需要带入场景假想我们就是用户，我们在迫切需要解决问题的时候，我们会是什么样的心里活，烦躁？渴望？又或是兴奋？建立了同理心后才是功能的设计。

所以在搜寻功能设计的时候，对面用户迫切的心情，我们合理设计搜寻功能。在用户使用产品产生疑问的时候，我们要依据当前场景进行选择放大、缩小搜寻对于用户的感官；在越简单产生疑问的地方选择使用输入框搜寻作为设计方案，而在不容产生问题的地方还是可以选择搜寻图标作为解决方案。

这两个解决方案是非常常见的，但我们需要留意，除开样式的差异在选择使用输入框作为搜寻样式的时候，大多人都偏爱在输入框上做文字引导，这种文字引导有引导使用文案和推举搜素文案两种。

这样做不是肯定需要的，由于我的确没精确     的数据告知你，做了和没做在数据层次带来的效果是什么。所以这是需要你自己自行选择的。

2.搜寻中

用户点击搜寻功能输入问题这段时间，我们看作搜寻中，在这里有两种设计方式：分别是当前页面直接进行搜寻和进入搜寻独立页面。

其中，当前页面直接进行搜寻，在pc端较为常见，由于pc页面有大面积区域可使用，可以尽情展现内容所以常见。

另外一种采纳搜寻独立页面在移动手机端常见，因受限于手机屏幕大小，在不跳转页面直接搜寻的状况下我们可展现的内容过于受限；而采纳了新页面承载搜寻，那就可以供应更多的功能和内容。

在这里我们可以通过后台管理功能，尽情的增加热门搜寻的内容。同时在用户输入内容后，我们对输入内容进行联想展现，便利用户选择他想搜寻的实际内容，提高搜寻的易用性和便捷性。

但是产品设计师们需要留意的是，联想展现内容不易过多，掌握在7个词条左右就行，过多词条会干扰用户阅读；展现内容需要有独立一套规律支撑，需要明确告知研发，为什么显示这些内容？这些内容排序依据是什么等。（这里后面部分会介绍说明）

同理，从提高搜寻的易用性和便捷性这个目的动身，我们可以收录用户近期历史搜寻，以便用户再次搜寻相同问题；至于历史记录每次展现几个，可参考7+-2法则掌握数量。（一般人的短时记忆容量约为7个加减2个，即59之间，可以理解为7加减2个组块。）

3.搜寻后

搜寻结果的展现在移动端上一般是双排和单排展现。双排能够展现更多的搜寻结果。单排能对搜寻结果展现更多的信息。

到这里基本对于搜寻功能的原型就没有问题，下面开头说说搜寻功能的规律部分。

二、搜寻的规律

先说结论：看似简洁的搜寻其实并不只是由简洁的sql（数据操作语言）进行全数据库搜寻，里面还涉及对用户搜寻问题的、分词、纠错、猜测、召回以及排序排序。

1.分词

分词很好理解，就是当用户输入问题后，对输入的文字进行拆分，就叫分词。分词核心在于分词法以及特性字词典库。

同时分词也叫NLP（自然语言处理分析）算是AI人工智能的一个分支，究竟你需要让人工智能理解你说的是什么，学的是什么，不然就成人工智障了。那么搜寻是根据什么方式进行分词的了？其实分词的方式很像小时候查字典。

1）逐词匹配

我们理解为一个人给你一句话，这时你需要将他们分成两两相对或三三相对的词条，但是你并不知道如何那几个相邻的字能够组成字条。那么干脆你直接拿着这句话去翻新欢词典，从头到尾翻一次，发觉没有符合的时候，就删除最终一个字，在去翻词典。以至于将词典中的全部词按由长到短的挨次在文章中逐字搜寻，直至文章结束。

这种方式你可以想象下，假如是人是不是很崩溃。就算是电脑在进行，由于需要重复的查询，也会造成效率低下，等半天才分词胜利。

2）正向最大匹配法

最大正向匹配会根据我们的阅读习惯，从左到右进行匹配，而其中的最大的含义就是当消失多个匹配词条时，以字数最多的词条为准；比如匹配野生动物园这个词条有两个匹配，一个是野生动物图案，另一个是动物园，那我们以野生动物园为最终匹配，根据这个思路我们再说明。

有个用户搜寻：“成都动物园在哪里”。

这个时候进行第一次词典查询，按在最大的词“成都动物园在哪里”进行查询，发觉没有匹配。进行其次次查询，这次查询“成都动物园在哪”，同样没发觉匹配。进行第三次查询，这次是“成都动物园在”，还是发觉没有匹配的。第四匹配的时候，这次匹配“成都动物园”，结果在词条里面检索到了。我们保留结果是“成都动物园”，随后便去除“成都动物园”变成“在哪里”重新开头检索；这样依据我们的词典进行分词，我们可以得到结果：“成都动物园”“在”“哪里”，这就是正向最大匹配

3）逆向最大匹配法

大致规律和正向匹配相同，唯一的区分在于它是从右到左，每次减去开头的字。还是以“成都动物园在哪里”为例。

第一次词典查询，按在最大的词“成都动物园在哪里”进行查询，发觉没有匹配。进行其次次查询，这次查询“都动物园在哪里”，同样没发觉匹配。进行第三次查询，这次是“动物园在哪里”，还是发觉没有匹配的。.最终在第七次查询我们得到“哪里”，随后便去除“哪里”对““都动物园在”进行检索。当同样的规律缩减到“在”后，还是没有相对应的词典，那么将“在”也单独剔出，开头检索“成都动物园”。这样第一次检索就胜利检索出来，得到结果“哪里”“在”“成都动物园”这样的分词。由于是反向其实结果和正向结果相同。

4）双向匹配

这种匹配法是为了更加精确     的分词消失，把正向和反向两种算法都切一遍，然后依据词条颗粒度来进行选择。分词的词条越长越好，非词典词和单字词越少越好的原则，选出这里面最合适的进行匹配。例如：

非词典内的词：正向匹配（1）反向匹配（0）选择反向词典内的单字：正向匹配（2）=反向匹配（2）持平不做选择总分词数量：正向匹配（3）反向匹配（2）选择反向2.词意纠错

词意纠错也是搜寻里重要的一环节，在搜寻的时候，打错字说错话是很常见场景（语言搜寻）；并且由于文字和语言是情感沟通的渠道，中文汉字会由于声调的不同有着不同的含义，同时一词多义，通假字等也是非常头疼的事情。

这词意纠错也可以根据查字典来理解，只是查询的字典是特别字典里面的内容包含了情感，拼音还有声调相关的内容。抽象点的描述，我们在观察“康帅傅”的时候大脑会把“康帅傅”自动纠错成“康师傅”，这就有点自动纠错的味道。

1）拼音纠错

当输入的汉字存在错误时，系统需要准时联系上下文进行解析，可以将汉字转换成拼音，通过同拼音进行识别，比如“如何吧大象放入病象”，把他们未能分词胜利单独留下的汉字转化成拼音“如何”“ba”“大象”“放入”“bing”“xiang”在查询字典进行处理。

2）模型算法

这部分高于繁琐，想了解的可自行搜寻：SVM、Maxent等。

3.类目猜测

用户使用搜寻功能在于得到解答，所以我们需要理解用户搜寻内容的含义；比如用户搜寻苹果的时候，她搜寻的是吃的苹果还是苹果手机了；一个吃一个用这两个答案是风马牛不相及的，所以猜测类目会对用户搜寻结果影响很大。

做类目猜测有几个方法：

1）人工配置

通过后端埋点日志搜集最近热门的搜寻词，对这些搜寻词进行指定配置，这样就可以保证当用户搜寻苹果的时候出来的是苹果手机，而不是真的苹果；这样也是最简洁有效的方法，但麻烦在需要支配人长期维护。

2）类目相关性

通过对搜寻词进行算法计算，从搜寻词的重要性、类目数、类目消失次数、搜寻词消失次数等进行计算。

代表性tf-dc算法。

4.结果排序

搜寻结果的排序也是非常头疼的事情，比如搜寻苹果手机，消失的结果是10万+条商品信息，那么谁排第一这就成