表示的同义词是什么(基本功能理解)
编辑导语：在很多产品中，搜索是一个基本而重要的功能。很多时候我们需要搜索才能找到自己需要的东西，搜索的设计、逻辑、交互也需要特别注意。本文作者分享了他对搜索功能设计的理解。让我们一起来看看吧。
搜索功能是很多产品的核心，比如电商搜索、内容搜索等等；如何设计搜索功能，真的是一个看似简单实则深刻的问题。
不管怎样，然后画一个条形框和立方体，就是搜索框和搜索图标来表示一个搜索模块；如果要细细磨，各种用户交互问题，各种逻辑，那么它们也是一个搜索系统；这完全取决于你这个产品设计师如何设计。
设计一个搜索功能，需要从用户体验和功能实现两个方面入手：
用户体验包括风格UI设计和交互设计。总结一下，就是用户在搜索前、搜索中、搜索后对我们功能的感知；功能实现是着眼于用户对问题的输入和我们结果的输出(结果匹配度)。所以我会分成两部分：搜索的设计和搜索的逻辑。
首先，搜索的设计从可感知的风格开始。我们按照用户路径图来理解用户使用功能时的具体步骤：
用户使用产品——如果有任何问题，需要搜索解决——查看搜索功能——点击搜索功能(展开输入框)——输入问题——点击确定等待结果反馈——浏览搜索结果——选择要咨询的结果。
根据以上路径，我们可以将用户使用搜索功能的场景分为三个部分：搜索前、搜索中、搜索后。同时，根据不同的应用场景，需要区分移动端和PC端。
1.在搜索之前，首先我需要陈述一下我对搜索核心的定义，即搜索功能的核心在于解决用户的问题，给用户满意的答案；因此，当我们设计时，我们需要将我们是用户的假设带入场景。当我们迫切需要解决问题的时候，会有怎样的焦虑和烦躁？欲望？还是兴奋？功能的设计是在共情建立之后才进行的。
所以在设计搜索功能时，针对对面用户的迫切心情，合理设计搜索功能。当用户对使用产品有疑问时，要根据当前场景选择放大和缩小对用户的搜索感；在更容易出现问题的地方选择使用输入框搜索作为设计方案，在不允许出现问题的地方选择搜索图标作为解决方案。
这两种解决方案都很常见，但我们需要注意的是，除了风格上的差异，在选择使用输入框作为搜索风格时，大多数人更喜欢在输入框上做文字引导。这种文字指导有两种：指导文案使用和推荐搜索文案。
这个没必要，因为我真的没有准确的数据告诉你，做与不做在数据层面的效果是怎样的。所以由你来选择。
2.在搜索过程中，当用户点击搜索功能输入问题时，我们将其视为搜索。这里有两种设计方法：直接搜索当前页面和进入搜索独立页面。
其中，直接搜索当前页面在pc端较为常见，因为pc页面使用面积较大，可以尽可能展示内容。
另一种独立搜索页面常见于手机中，因为受到手机屏幕大小的限制，我们能显示的内容太有限而没有跳转到页面直接搜索；通过一个新的页面来进行搜索，它可以提供更多的功能和内容。
这里我们可以通过后台管理功能增加热门搜索的内容。同时，在用户输入内容后，我们将输入的内容进行关联展示，方便用户选择自己想要搜索的实际内容，提高了搜索的易用性和便捷性。
但产品设计师需要注意的是，联想的展示内容不容易太多，控制在7个条目左右即可，条目太多会干扰用户阅读；显示内容需要一套独立的逻辑支持，并且R & ampd需要明确告知。为什么会显示这些内容？这些内容排序的依据是什么等等。(这里后面会介绍解释)
同理，为了提高搜索的易用性和便捷性，我们可以收录用户最近的历史搜索，以便用户再次搜索同样的问题；至于一次显示多少条历史记录，可以参考7 -2法则控制数量。(一般人的短时记忆容量大概是72，也就是5到9之间，可以理解为72个组块。)
3.搜索后的搜索结果在移动终端上的显示一般是双排单排显示。双排可以显示更多的搜索结果。单行可以向搜索结果显示更多信息。
这里搜索功能的原型基本没有问题。先说搜索功能的逻辑部分。
第二，搜索的逻辑。先说结论：看似简单的搜索，其实不仅仅是简单的sql(数据操作语言)对整个数据库的搜索，还涉及到对用户搜索问题的分词、纠错、预测、召回、排序。
1.分词很好理解，就是当用户输入一个问题时，将输入的文本进行拆分，称为分词。分词的核心在于分词和特征词词典库。
同时，分词也叫NLP(自然语言处理分析)，是AI人工智能的一个分支。毕竟你需要让人工智能明白你在说什么，你在学什么，不然就变成人工智障了。那么搜索是如何细分的呢？其实分词的方式很像小时候查字典。
1)逐字匹配
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。那么索性你直接拿着这句话去翻新欢词典，从头到尾翻一次，发现没有符合的时候，就删除最后一个字，在去翻词典。以至于将词典中的所有词按由长到短的顺序在文章中逐字搜索，直至文章结束。这种方式你可以想象下，如果是人是不是很崩溃。就算是电脑在进行，因为需要重复的查询，也会造成效率低下，等半天才分词成功。
2）正向最大匹配法
最大正向匹配会按照我们的阅读习惯，从左到右进行匹配，而其中的最大的含义就是当出现多个匹配词条时，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，按照这个思路我们再说明。
有个用户搜索：“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，发现没有匹配。进行第二次查询，这次查询“成都动物园在哪”，同样没发现匹配。进行第三次查询，这次是“成都动物园在”，还是发现没有匹配的。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”重新开始检索；这样根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
大致逻辑和正向匹配相同，唯一的区别在于它是从右到左，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，发现没有匹配。进行第二次查询，这次查询“都动物园在哪里”，同样没发现匹配。进行第三次查询，这次是“动物园在哪里”，还是发现没有匹配的。…….最后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。当同样的逻辑缩减到“在”后，还是没有相对应的词典，那么将“在”也单独剔出，开始检索“成都动物园”。这样第一次检索就成功检索出来，得到结果“哪里”“在”“成都动物园”这样的分词。因为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准确的分词出现，把正向和反向两种算法都切一遍，然后根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）选择反向词意纠错也是搜索里重要的一环节，在搜索的时候，打错字说错话是很常见场景（语言搜索）；并且因为文字和语言是情感交流的渠道，中文汉字会因为声调的不同有着不同的含义，同时一词多义，通假字等也是十分头疼的事情。
这词意纠错也可以按照查字典来理解，只是查询的字典是特殊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，我们在看见“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，系统需要及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”，把他们未能分词成功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，想了解的可自行搜索：SVM、Maxent等。
用户使用搜索功能在于得到解答，所以我们需要理解用户搜索内容的含义；比如用户搜索苹果的时候，她搜索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，所以预测类目会对用户搜索结果影响很大。
做类目预测有几个方法：
1）人工配置
通过后端埋点日志搜集最近热门的搜索词，对这些搜索词进行指定配置，这样就可以保证当用户搜索苹果的时候出来的是苹果手机，而不是真的苹果；这样也是最简单有效的方法，但麻烦在需要安排人长期维护。
2）类目相关性
通过对搜索词进行算法计算，从搜索词的重要性、类目数、类目出现次数、搜索词出现次数等进行计算。
代表性tf-dc算法。
搜索结果的排序也是十分头疼的事情，比如搜索苹果手机，出现的结果是10万+条商品信息，那么谁排第一这就成了一个问题，因此我们要从权重出发进行权重排序。（商品少也可以按照最新更新时间排序，哈哈看个人）。
词频：对搜索对query进行分词处理，在进行预测类目后对高词频内容优先展示；用户标签:符合用户标签喜好的商品进行加权,优先排序；时间段：对当前时段营业（客服在线）进行加权；销量、好评率：同理这就不说了；商品时效：对新更新商品进行加权，可用于互冲旧商品销量、好评的加；付费：竞价广告、付费升权等。作者：wcof，在努力做产品不做产品经理的人；微信公众号：Wcof（ID：wcofPM）
本文由@Wcof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。