Поиск на сайте текста: комбинация клавиш, чтобы найти текст – WindowsTips.Ru. Новости и советы

Если вы просто хотите выполнить быстрый поиск по нескольким текстовым столбцам в вашей таблице, вы можете просто использовать полный текстовый индекс этих столбцов и использовать MATCH() AGAINST() в своих запросах.

1. Создать полнотекстовый индекс в файле миграции:

    add_index :таблица, :столбец, тип: :полный текст
    

2. Запрос с использованием этого индекса:

    где("ПОИСКПОЗ(столбец) ПРОТИВ(?)", термин)
    

2) ElasticSearch и Searchkick

Если вы ищете полнофункциональное решение для индексации поиска, которое позволит вам искать любой столбец в любой из ваших записей, сохраняя молниеносную скорость, взгляните на ElasticSearch и Searchkick.

ElasticSearch — это система индексации и поиска.

Searchkick — это библиотека интеграции с Rails, которая позволяет очень легко индексировать ваши записи и искать их.

README от Searchkick прекрасно объясняет, как начать работу и как настроить вашу систему, но вот небольшой фрагмент:

1. Установите и запустите ElasticSearch.

    варить установить elasticsearch
    сервисы варки запускают elasticsearch
    

2. Добавьте драгоценный камень searchkick в свой набор:

   Пакет

    добавляет searchkick --strict
    

   Опция --strict просто говорит Bundler использовать точную версию в вашем Gemfile, что я настоятельно рекомендую.

3. Добавьте searchkick к модели, которую вы хотите проиндексировать:

    класс MyModel < ApplicationRecord
      поисковый удар
    конец
    

4. Индексируйте свои записи.

    MyModel.reindex
    

5. Поиск в индексе.

    match_records = MyModel.search («термин»)
    

Это зависит от того, какую базу данных вы используете. Я бы порекомендовал использовать Solr, так как он предлагает множество приятных опций. Недостатком является то, что для этого вам нужно запустить отдельный процесс. Я также использовал Ferret, но обнаружил, что он менее стабилен с точки зрения многопоточного доступа к индексу. Я не пробовал Sphinx, потому что он работает только с MySQL и Postgres.

Просто примечание на будущее: Ultra Sphinx больше не поддерживается. Мыслящий сфинкс — его замена. Хотя в настоящее время в нем отсутствуют некоторые функции, такие как выдержка из Ultra sphinx, он компенсирует это другими функциями.

Я бы порекомендовал act_as_ferret, поскольку я использую его для проекта Scrumpad на работе. Индексацию можно выполнить как отдельный процесс, который гарантирует, что при переиндексации мы по-прежнему сможем использовать наше приложение. Это может сократить время простоя веб-сайта. Кроме того, поиск намного быстрее. Вы можете выполнять поиск по нескольким моделям одновременно и сортировать результаты по полям, которые вы предпочитаете.

Твой ответ

Зарегистрируйтесь или войдите в систему

Зарегистрируйтесь с помощью Google

Зарегистрироваться через Facebook

Зарегистрируйтесь, используя электронную почту и пароль

Опубликовать как гость

Электронная почта

Требуется, но никогда не отображается

Опубликовать как гость

Электронная почта

Требуется, но не отображается

Как добавить полнотекстовый поиск на свой сайт | Сэм Даттон | Dev Channel

Многие типы веб-сайтов нуждаются в эффективном и точном поиске.

В этой статье объясняются альтернативы на стороне сервера и клиента, а также показано, как реализовать поиск, работающий в автономном режиме.

Существует множество способов поиска:

• С помощью внутренней поисковой системы, такой как Elasticsearch или Solr.
• Коммерческие службы поиска, такие как Algolia и AWS Cloudsearch.
• Использование базы данных со встроенным поиском, такой как MySQL или MongoDB.
• Платформы приложений и службы баз данных с дополнительными функциями поиска, такие как Firebase и Cloudant.
• Клиентские библиотеки поиска JavaScript, такие как FlexSearch и Elasticlunr.
• Клиентские библиотеки JavaScript, которые синхронизируют данные с серверной базой данных: например, PouchDB.
• Система пользовательского поиска Google.

Все поисковые системы, базы данных и управляемые службы, обсуждаемые в этой статье, интегрированы с несколькими платформами, фреймворками и языками — не только для Интернета. Какими бы ни были ваши целевые платформы, при выборе решения необходимо учитывать несколько ключевых соображений:

• Как часто вы обновляете свои данные? Если обновления происходят постоянно, а результаты поиска обязательно должны обновляться, вам, вероятно, потребуется использовать опцию на стороне сервера.
• Вам нужно искать содержимое, данные, метаданные — или все три? Поисковые системы могут индексировать содержимое и метаданные из двоичных файлов, таких как документы PDF и Word, получать доступ к данным и содержимому из баз данных или извлекать метаданные, такие как EXIF, из изображений. Библиотекам поиска JavaScript нужен JSON.
• Что вы ищете, в каком контексте? Анализ журнала, например, очень отличается от поиска потребительских товаров или профессиональной службы поиска для большого набора неструктурированных данных, таких как исторический архив.
• Сколько данных вам нужно для поиска? Если вы можете кэшировать все свои данные локально на клиенте (скажем, менее 20 МБ), вы можете рассмотреть возможность поиска на стороне клиента.
• Хотите, чтобы поиск работал в автономном режиме? Может быть, только для части функций вашего сайта, таких как поиск магазинов или история учетных записей клиентов? Автономный поиск можно включить, кэшируя данные индекса на клиенте (демонстрация здесь).

Это всего лишь обзор некоторых проблем. Плюсы и минусы каждого варианта более подробно рассмотрены ниже.

Для небольшого количества простых текстовых данных можно обеспечить базовые функции поиска с помощью простого сопоставления строк. Например, используя JavaScript, вы можете хранить данные о продуктах для небольшого интернет-магазина в виде массива объектов в файле JSON, затем извлекать файл и перебирать каждый объект, чтобы найти совпадения.

Этот упрощенный подход может быть лучше, чем ничего, но для успешного поиска необходимы более гибкие функции для поиска релевантных результатов:

• Stemming : разработка для мобильных устройств соответствует результатам для разработка для мобильных устройств и наоборот.
• Обработка стоп-слов : Поисковые системы должны избегать нерелевантных результатов, вызванных совпадением общих слов, таких как a и the. (И наоборот, игнорирование стоп-слов также может вызвать проблемы для таких запросов, как Кто или Быть или не быть .)
• Базовое нечеткое соответствие : сервисных работников соответствует результатам для сервисных работников.

На практике некоторые из этих функций могут работать не так, как ожидалось, особенно в многоязычных реализациях или для структурированных данных меньшей длины. Некоторые разработчики поисковых систем отдают предпочтение альтернативам.

Высококачественные реализации поиска предоставляют дополнительные функции на стороне ввода:

• Автозаполнение : Ввод progre… вызывает предложения, включая Progressive Web App.
• Проверка правописания и автоподсказка: Ввод Porgessive Web Apps предлагает Progressive Web Apps или поиск выполняется автоматически. Проверка орфографии может работать лучше, чем нечеткое сопоставление, что может привести к нерелевантным результатам. На сайтах электронной коммерции автопредложение также можно использовать для мерчандайзинга: предлагать продукты, о которых покупатель может не знать.
• Поиск синонимов: PWA должен соответствовать результатам для Progressive Web Apps и наоборот. Это очень важно для поиска товаров, когда люди склонны использовать разные слова для одного и того же: обувь или обувь , резиновые сапоги или резиновые сапоги или резиновые сапоги .
• Недавние поиски: Высокую долю поисков составляют повторные поиски: люди часто ищут одно и то же, даже во время одного и того же сеанса. Возможно, вы захотите предоставить предложения по недавним поискам — и, возможно, кэшировать ресурсы для недавних поисков, например изображения или данные о продуктах.
• Сопоставление фраз : Какое расстояние может быть между словами в поисковой фразе? Например, должен ли поиск super moon соответствовать описаниям, содержащим слова super и moon , но не точной фразе super moon ?
• Ограниченный и многогранный поиск : Предоставьте пользователю элементы управления пользовательского интерфейса, такие как флажки и ползунки, чтобы сузить диапазон потенциальных результатов поиска. Например, выполните поиск только в пределах типа продукта или бренда или найдите стеганые куртки для крупной собаки в продаже по цене менее 50 долларов США . Подобная функциональность сочетает в себе полнотекстовый поиск (товары, соответствующие стеганым пальто ) с ограничениями метаданных ( менее 50 долларов ).
• Выражения поиска : Включить поиск для использования И, ИЛИ, НЕ и других операторов, таких как кавычки вокруг точных фраз. Например: гризли -медведи возвращает совпадения для гризли , но не медведей гризли. гризли И медведи возвращает только результаты, в которых упоминаются как гризли , так и медведи , хотя и не обязательно в виде одной фразы. Выражения поиска часто являются основным требованием для инструментов поиска, таких как библиотечные каталоги.
• Расширенные функции релевантности: Обеспечить правильное ранжирование результатов путем измерения частоты или положения поискового термина в документах, близости фразовых слов или с помощью других методов. Например, в магазине для серфинга может продаваться воск для досок для серфинга, но в описании досок для серфинга также может упоминаться 9.0179 доска и воск , что приводит к нерелевантным результатам для воска .
• Пространственный и геопространственный поиск : запрос для лондонских веб-разработчиков соответствует результатам для веб-разработчиков из района Кингс-Кросс или с почтовым индексом NC1.
• Агрегирование, фасетирование и статистика : например, подсчитайте количество совпадений для лондонских веб-разработчиков или (для базы данных клиентов) рассчитайте медианные расходы для клиентов из Великобритании, которые потратили более 500 фунтов стерлингов за последний год. , сгруппированные по регионам.

Для глобальной аудитории все эти функции должны работать на разных языках, наборах символов, направленности текста и географическом местоположении — и потенциально учитывать лингвистические и культурные различия. Японский стемминг сильно отличается от того, как он сделан для английского. Поисковые системы и поисковые службы предлагают разные подходы к интернационализации и локализации.

Можно выполнять поиск в небольшом количестве данных, просто просматривая все данные для каждого запроса. По мере увеличения количества данных это становится медленным и неэффективным.

В своей простейшей форме индексатор поиска решает эту проблему, анализируя набор данных и создавая индекс поисковых терминов (слов или фраз) и их местонахождение в данных — немного похоже на индекс в конце книги. Затем реализация поиска может искать запрос в индексе, а не сканировать все данные. Индексаторы также могут реализовывать такие функции, как обработка стоп-слов и выделение корней.

Здесь вы можете просмотреть пример простого индекса, созданного для этой демонстрации с использованием библиотеки JavaScript Lunr:

Как ни странно, слово «документ» используется в двух разных значениях по отношению к поисковым системам:

• Данные, представляющие отдельный элемент, «запись» или «объект», например:
  {имя: «Фред Нерк». ', job: 'Web Developer'}
• Двоичный файл в таком формате, как PDF или Word.

Предоставление высококачественных результатов поиска для набора двоичных файлов может быть намного сложнее, чем поиск структурированных текстовых данных. Представьте себе каталог видеоархива, состоящий из миллионов устаревших файлов с несколькими различными двоичными форматами и разнообразными структурами контента — как вы можете обеспечить последовательный и точный поиск по всему набору документов?

• Задержка обновления данных : Задержка с момента добавления, обновления или удаления данных до появления ваших изменений в результатах поиска. Эта задержка может быть очень низкой для поисковых систем, потенциально менее секунды, даже с большими наборами данных. Низкая задержка обновления имеет решающее значение для крупномасштабного поиска в электронной коммерции или для любого контекста, где результаты поиска должны отражать обновления данных в строгие сроки, указанные в соглашениях об уровне обслуживания — например, новостной сайт, на котором могут быть опубликованы уведомления об удалении. Поиск на стороне клиента может быть не в состоянии обеспечить достаточно низкую задержку обновления или гарантировать распространение обновлений. Поддержание поиска на стороне клиента также может быть крайне неэффективным, поскольку каждое обновление данных или индекса должно распространяться среди всех пользователей и устанавливаться ими.
• Точность поиска и ранжирование : Успешная реализация поиска должна сочетать точность и полноту, избегая пропущенных результатов, а также ложных срабатываний. Понимание того, как ранжировать результаты и что индексатор должен игнорировать, часто имеет решающее значение.
• Поиск по метаданным: Вам может потребоваться поиск по метаданным, а также по содержимому, например по данным EXIF ​​изображения или по полям автора и заголовка PDF.

Недавнее обновление поисковой системы FT.com нуждалось в экспертной настройке, чтобы оно работало корректно. В их сообщении в блоге о проекте описывается, как реализация изначально имела тенденцию возвращать результаты, которые имели смысл, но не были действительно актуальными, например, множество статей, в которых упоминается Трамп , но не «о» нем. Они также должны были следить за тем, чтобы при ранжировании страниц предпочтение отдавалось последним новостям, а не всегда возвращалось то, что в противном случае могло бы показаться «наиболее актуальным».

Поисковая система

Запустите собственную поисковую систему на сервере. Двумя наиболее популярными являются Elasticsearch и Solr, оба с открытым исходным кодом.

Pro

• Поисковая система также может служить хранилищем данных, но с некоторыми оговорками.
• Поисковые системы могут обрабатывать петабайты данных на сотнях серверов.
• Запросы выполняются очень быстро, а обновления доступны для поиска с очень низкой задержкой.
• Потенциально относительно дешев и прост в настройке и запуске, если у вас уже есть серверная группа (или, по крайней мере, выделенный системный администратор). Тем не менее см. комментарии в разделе управляемых служб поиска ниже.

Con

• Стоимость установки, обслуживания и обновления. Крупномасштабные установки большого объема могут быть сложными!
• Первоначальные и текущие затраты на инфраструктуру.
• Поисковые запросы, выполняемые на сервере, требуют надежного подключения от клиента и, очевидно, не работают в автономном режиме.
• Современные поисковые системы работают очень быстро, но узкие места в клиентских подключениях и задержка могут привести к тому, что поиск не будет отвечать на запросы.
• Для каждого поискового запроса требуется запрос к серверу, что может привести к значительным затратам на передачу данных и расходу батареи на мобильных клиентах. Мгновенный поиск может усугубить ситуацию.

Управляемая служба поиска

Используйте коммерческие службы, такие как Algolia, Amazon CloudSearch, или платформы, такие как Firebase или Cloudant, которые интегрируются со сторонними службами поиска (Firebase использует Algolia).

Pro

• Непросто настроить и поддерживать крупномасштабную службу поиска, способную выдерживать высокий одновременный спрос и всплески трафика, а также сложные наборы данных размером в петабайты и большой объем обновлений. Может быть трудно найти подходящих людей для выполнения этой работы.
• Альтернативы «сделай сам» могут потребовать больших затрат на инфраструктуру и человеческие ресурсы.
• Управляемая служба может быть проще и надежнее в масштабировании.
• Аутсорсинговый поиск может упростить управление настройкой, обслуживанием и обновлениями, а также сократить время запуска.
• В большинстве случаев производительность управляемых служб должна быть не ниже, чем у самостоятельных служб.
• Управляемые службы потенциально более надежны, чем самостоятельные альтернативы, и должны гарантировать минимальный уровень обслуживания.
• Возможно, относительно дешево включить поиск в существующие облачные контракты.

Con

• Потенциально дороже, чем поисковые системы DIY.
• Как и в случае с другими параметрами на стороне сервера: стоимость данных, использование батареи и зависимость от возможности подключения. Мгновенный поиск может усугубить ситуацию.

База данных со встроенным поиском

Базы данных NoSQL, включая MongoDB, поддерживают полнотекстовый поиск. CouchDB может реализовать поиск с помощью CouchDB-lucene или готовых альтернатив, таких как Couchbase.

Полнотекстовый поиск также поддерживается реляционными базами данных с открытым исходным кодом, такими как MySQL и PostgreSQL, а также многими коммерческими альтернативами.

Pro

• База данных, поддерживающая полнотекстовый поиск, может удовлетворить ваши потребности без затрат на настройку и обслуживание отдельной поисковой системы.
• Есть веские причины не использовать поисковую систему в качестве хранилища данных. Если вам нужно хранить и обновлять значительный объем данных, скорее всего, вам понадобится база данных. Если ваша база данных поддерживает поиск, это может быть все, что вам нужно.

Con

• Встроенные или дополнительные функции поиска в базе данных могут быть недостаточно мощными или гибкими для удовлетворения ваших требований.
• Полномасштабная реляционная база данных или база данных NoSQL могут быть излишними для небольших наборов данных с более простыми вариантами использования.
• То же подключение вызывает другие параметры на стороне сервера.

Google Site Search и система пользовательского поиска Google

Google Site Search устарела, но система пользовательского поиска Google (CSE) по-прежнему доступна. Различия между ними объясняются здесь.

Вы можете попробовать CSE на примере здесь, который ищет продукты из проекта Polymer Shop.

Если вам не нужна реклама и вы согласны платить (или бесплатной квоты достаточно), вам может подойти CSE API.

Pro

• Быстрая и простая настройка.
• Быстрый и надежный поиск.
• Без рекламы для некоммерческих и образовательных организаций.

Con

• Версия API стоит 5 долларов США за 1000 запросов.
• Если вы не используете API и не создаете свой собственный, вы получаете рекламу в верхней части результатов поиска.
• Невозможно настроить автозаполнение или другие функции ввода.
• Нет контроля над ранжированием результатов или макетом теперь, когда Google Site Search устарел.

Поиск на стороне клиента

API-интерфейсы Cache и Service Worker позволяют веб-сайтам работать в автономном режиме и повышать устойчивость к различным подключениям. Локальное кэширование в сочетании с поиском на стороне клиента может обеспечить ряд вариантов использования. Например:

• Поиск в интернет-магазине в автономном режиме.
• Предоставление покупателям возможности использовать локатор магазинов или искать свою историю покупок.
• Обеспечение отказоустойчивости и откатов на случай потери связи.

Поиск на стороне клиента может быть особенно привлекательным для относительно небольшого набора данных, которые не сильно меняются. Например, демонстрация здесь ищет пьесы и стихи Шекспира:

Клиентские библиотеки полнотекстового поиска JavaScript включают Lunr или ElasticLunr.

Вы предоставляете набор «документов» в формате JSON, например список продуктов, а затем создаете индекс. Вот как это сделать с помощью модуля Elasticlunr Node:

Чтобы инициировать поиск на клиенте, вам сначала нужно получить данные индекса и загрузить их:

Чтобы включить автономный поиск, файл индекса может быть сохранен клиентом с помощью Cache API. В качестве альтернативы вы можете получить данные документа и построить индекс на клиенте, а затем сериализовать и сохранить его локально.

И, наконец:

WebSQL поддерживает быстрое сопоставление текста (демонстрация) и полнотекстовый поиск (демонстрация).

Однако стандарт WebSQL больше не поддерживается и когда-либо имел лишь частичную поддержку браузера.

Полнотекстовый поиск в WebSQL теперь удаляется.

Pro

• Относительно прост в настройке и обслуживании.
• Поисковая система, база данных или сторонняя служба поиска не требуются.
• Поиск выполняется на клиенте, поэтому запросы не требуют обращения к серверу, поэтому уменьшите нагрузку на сервер и используйте меньше радиомодулей на мобильных устройствах.
• Поиск на стороне клиента устойчив к капризам подключения.
• Поиск на стороне клиента может быть чрезвычайно быстрым для небольших наборов данных.
• Возможность автономного поиска может быть включена путем кэширования файлов индексов с использованием хранилища на стороне клиента, такого как Cache API или localStorage.
• Потенциально полезно для контента, который не часто обновляется, или где обновления (хотя и важные) не критичны по времени. Например, сайт электронной коммерции может использовать поиск на стороне клиента, чтобы обеспечить автономный доступ к местоположениям магазинов.

Con

• Подходит только для ограниченного объема данных — хотя это может быть до десятков тысяч документов, а возможно и больше, если данные относительно статичны и не меняются часто.
• Высокая задержка обновления данных по сравнению с альтернативами на стороне сервера.
• Возможно устаревшие данные.
• Поиск на стороне клиента требует затрат на память, хранение и обработку. Например, демонстрация здесь (которая ищет пьесы и стихи Шекспира) использует более 200 МБ памяти при работе в Chrome на рабочем столе.
• В настоящее время нет способа совместно использовать объект JavaScript, например поисковый индекс, на нескольких страницах, кроме как путем его сериализации и сохранения. (Общие рабочие процессы обходят это, но не реализованы в Chrome для Android. SharedArrayBuffer может помочь, но он отключен по умолчанию во всех основных браузерах.) Если вы не используете архитектуру SPA, вам нужно каждый раз заново создавать индекс. пользователь переходит на новую страницу, которая не работает.
• Службу поиска на стороне сервера с API можно использовать на нескольких платформах и типах устройств, в то время как поиск на стороне клиента может потребоваться реализовать как для веб-сайтов, так и для нативных, возможно, с резервными вариантами на стороне сервера.
• Варианты использования в автономном режиме (пока) не являются приоритетом для электронной коммерции или других типов сайтов, так зачем беспокоиться о поиске на стороне клиента?

Поиск на стороне клиента с автоматической репликацией

Библиотеки JavaScript, такие как PouchDB и SyncedDB, выполняют почти ту же работу, что и библиотеки на стороне клиента, описанные выше, но они также предлагают возможность автоматической синхронизации данных на стороне клиента с обратным конечная база данных, опционально в обоих направлениях.

Вы можете попробовать демо-версию PouchDB с поддержкой автономного режима здесь.

Pro

• Теоретически «лучшее из двух миров»: поиск выполняется на клиенте, данные постоянно обновляются.
• Включает автономный поиск.
• Как и в случае с другими типами поиска на стороне клиента, уменьшает количество запросов и, таким образом, потенциально снижает нагрузку на сервер и использование радиоустройства.
• Включает двунаправленную синхронизацию, потенциально для нескольких конечных точек.

Кон

• Архитектура более сложна, чем просто поддержка данных в виде (например) файла JSON: требуется сервер базы данных.
• Как и в случае других типов поиска на стороне клиента, обработка требует затрат на батарею, а потенциальный размер набора данных ограничен квотой хранилища на стороне клиента.
• Для клиента с хорошим подключением, потенциально медленнее, чем быстрая серверная база данных или поисковая система.

Ввод запроса

Люди ожидают высокого стандарта дизайна для ввода поискового запроса, особенно на торговых сайтах. Такие функции, как сопоставление синонимов и автоподсказка, теперь являются нормой.

Например, Asos отлично справляется с выделением совпадений и предлагает другие категории и бренды:

В этой статье приведены другие замечательные примеры высококачественного поиска, а также даны разумные рекомендации по дизайну поискового ввода.

Убедитесь, что понимаете различные типы поиска, необходимые вашим пользователям. Например, интернет-магазин должен гибко подходить к тому, как люди хотят найти то, что ищут:

• Общий текстовый поиск: google phone , Android Mobile
• Название продукта: Pixel , Pixel Phone , Pixel 2
• СТИФИКАЦИЯ ПРОДУКЦИЯ: PIXEL 64GB BLYA
• . телефон , мобильный телефон , смартфон

Результаты поиска

Содержание и представление результатов поиска имеют решающее значение:

• Выясните, чего хотят люди, и дайте им это! Если возвращается только один результат, может быть лучше сразу перейти к соответствующему элементу — например, когда клиент вводит номер детали.
• Предоставьте людям как можно больше информации и функциональности в результатах поиска. Для интернет-магазина это может включать рейтинги отзывов и варианты стиля, а также возможность совершить покупку в один клик. Не заставляйте людей переходить на страницу товара — каждый клик теряет пользователей.
• Проверьте в аналитике поисковые запросы, в которых пользователи не нажимали ни на какие результаты. Всегда следите за тем, чтобы изменения конфигурации, которые работают для одних поисков, не мешали другим. Точное ранжирование результатов имеет основополагающее значение для успешного поиска.
• Включите выделение условия запроса (с помощью элемента mark) и предоставьте контекст соответствия, где это имеет смысл. Это важно для длинных документов.

Screwfix предлагает варианты оформления заказа прямо на странице результатов поиска и автоматически преобразует запрос (в данном случае bosch Drill ) в отфильтрованный набор результатов, каждый из которых включает рейтинг отзывов и разумный уровень детализации продукта:

В отличие от этого, Made сохраняет результаты чистыми и лаконичными, что соответствует бренду:

ft.com упорядочивает новости по дате и предлагает разумные варианты уточнения результатов:

Getty Images фокусируется на… изображениях! Параметры фильтрации предоставляются на основе доступных метаданных, а также параметров макета и отображения:

Межфункциональные аспекты

Поиск не существует в вакууме. Для успешного внедрения требуется хорошая коммуникация между различными заинтересованными сторонами:

• Поддержание высокого качества функций поиска требует постоянного кросс-функционального сотрудничества между профильными экспертами, поставщиками контента, разработчиками приложений, бэкэнд-разработчиками, дизайнерами, отделами маркетинга и продаж. Разным командам необходимо согласовать разные приоритеты — и понять, за кем последнее слово!
• Изменения часто вызывают проблемы или неожиданные побочные эффекты. Например, увеличение нечеткости и неряшливости может улучшить некоторые поисковые запросы, в результате чего другие поисковые запросы будут возвращать нерелевантные результаты.
• Упростите для неспециалистов настройку таких функций, как автозаполнение и поиск по синонимам, или добавление мерчандайзинга и другого избранного контента в результаты поиска.

Поиск аудио и видео

Если у вас есть видео- или аудиоконтент, вы можете разрешить пользователям находить его с помощью поиска метаданных, таких как заголовки и описания.

При таком подходе возникают две проблемы:

• Поиск осуществляется только по метаданным, а не по содержимому.
• Если совпадение найдено, оно относится только к «верхнему уровню» аудио- или видеофайла.

Если в вашем аудио или видео есть титры, субтитры или другие виды «временных метаданных», поиск и навигация могут быть гораздо более точными.

Например, представленная здесь демонстрация выполняет поиск субтитров к видео разработчиков Google и позволяет переходить к определенным точкам в видео. Контент в демонстрации размещен на YouTube, который использует формат SRT для субтитров. Вы можете увидеть это в действии, если просмотрите расшифровку видео с ручными субтитрами на YouTube, например, здесь:

Веб-сайты могут использовать субтитры и подписи с элементом отслеживания (демонстрация здесь) с использованием формата WebVTT, который очень похож на SRT:

Тестирование

Что бы вы ни делали, тестируйте изменения и следите за аналитикой и журналом поиска. Включите юзабилити-тестирование скидок в свой рабочий процесс.

Облегчить мониторинг и понимание статистики поиска для неспециалистов:

• Что люди ищут чаще всего? Что ищут люди , а не ?
• Когда и почему некоторые запросы не дают результатов? Можно ли это исправить, добавив синонимы или предложения по проверке орфографии?
• Когда поиск приводит к продаже или другому типу «конверсии»?
• Проверьте аналитику на предмет поиска, в результате которого пользователи покидают сайт, а не нажимают на результат.

Установка и использование поисковых систем и управляемых служб

В двух приведенных ниже статьях более подробно объясняется, как настроить и использовать несколько наиболее популярных поисковых систем и управляемых служб:

• Подробнее о поисковых системах
• Подробнее о поиске как услуге

Статьи, книги и подкасты

• 24 практических совета по поиску на сайтах электронной коммерции: Разумная подборка советов по UI и UX.
• Создание нового поиска для FT.com: как успешный новостной сайт перестроил функциональность поиска для 720 000 элементов контента.
• Релевантный поиск: Настоящая печатная книга! Бесплатные главы онлайн и подкаст.
• Введение в поиск информации. Книге почти 10 лет, но она по-прежнему актуальна и доступна для чтения в Интернете.
• Поисковые системы на основе искусственного интеллекта: Статья в журнале Scientific American о бесплатных научных поисковых системах на основе искусственного интеллекта.
• Голосовой поиск
  Будущее поиска за голосовыми и персональными цифровыми помощниками
  Почему нужно готовиться к революции голосового поиска
  Как аудиоинтерфейсы меняют поиск и приводят к различным типам взаимодействия человека с компьютером. Больше статистики о голосовом поиске здесь. По данным comScore, «к 2020 году 50% всех поисковых запросов будут голосовыми».
• Почему мне не следует использовать ElasticSearch в качестве основного хранилища данных?: Обсуждение того, почему вам, вероятно, все еще нужна база данных.
• Реализация поиска на стороне клиента с помощью Vue.js: простой код для добавления текстового поиска в наборе данных JSON с использованием fuzzaldrin-plus.
• Как Algolia решила проблему релевантности поисковых систем: Как поисковая система Algolia ранжирует результаты, с интересной веткой комментариев, оспаривающих некоторые из их утверждений.
• Как работает поиск: видеообзор поиска Google.

Спасибо всем, кто помог с этой статьей.

Полнотекстовые поисковые системы и реляционные базы данных

Большинство современных поисковых систем предлагают такие функции, как хранение данных и логика обработки данных. В то же время большинство баз данных предлагают своего рода текстовый поиск, но способность базы данных обеспечивать релевантность либо отсутствует, либо прикручена задним числом.

Некоторые приложения, естественно, лучше всего обслуживаются той или иной технологией. Некоторые приложения могут начать с реляционной базы данных в основе, но затем, по мере роста объема данных или пользователей, потребности пользователей могут быть лучше удовлетворены за счет перехода на систему полнотекстового поиска. Многие приложения полагаются на обе технологии в тандеме, либо для разных частей данных, либо путем дублирования некоторых данных в двух системах, чтобы получить преимущества обеих.

Давайте посмотрим на преимущества систем полнотекстового поиска по сравнению с реляционными базами данных (RDMS).

Сравнение полнотекстовых поисковых систем и реляционных баз данных

Полнотекстовые системы лучше подходят для быстрого поиска определенного слова или слов в больших объемах неструктурированного, полуструктурированного или структурированного текста. Они предоставляют возможности расширенного текстового поиска и сложное ранжирование релевантности для упорядочения результатов в зависимости от того, насколько хорошо они соответствуют потенциально «нечеткому» поисковому запросу (слова, которые не совсем совпадают, например, опечатки или омонимы).

Эти системы также обеспечивают различные формы обработки естественного языка для понимания намерений пользователя и имеют надежные алгоритмы рекомендаций. Эти возможности позволяют поисковым системам иметь гораздо более интуитивный и персонализированный опыт для пользователя.

Реляционные базы данных, с другой стороны, отлично подходят для хранения и обработки структурированных данных — всего, что находится в табличном формате строк и столбцов. Они поддерживают гибкий поиск нескольких типов записей для определенных значений определенных полей и могут быть удобны для быстрого и безопасного обновления конкретных отдельных записей.

Некоторые поля в записях базы данных могут быть текстовыми в произвольной форме (например, описание продукта). Большинство реляционных баз данных поддерживают поиск по ключевым словам в этих неструктурированных полях.

Но рейтинг релевантности результатов, поступающих из базы данных, не будет иметь такого же качества или сложности, как лучшие системы полнотекстового поиска. Кроме того, если администратор базы данных (DBA) не знает, какие вопросы будет задавать пользователь, производительность СУБД будет довольно медленной и неудобная для пользователей.

Если администратор базы данных знает, что пользователи будут задавать вопросы определенного типа, он может спроектировать базу данных/таблицы для получения лучших результатов, но по мере изменения и развития требований пользователей способность администратора баз данных быстро отставать от этих изменений и пользователи по своей сути начинают отказываться от механизмов запросов, построенных на СУБД.

Давайте углубимся в детали:

Что хорошо делают полнотекстовые поисковые системы

Полнотекстовые поисковые системы превосходно справляются с быстрым и эффективным поиском больших объемов текста. Это могут быть неструктурированные данные, такие как документ Word, или частично структурированный контент, такой как веб-страницы HTML, которые имеют некоторую структуру и метаданные, но в основном содержат большое количество текста.

Они также могут классифицировать эту информацию на основе определенных значений в данных (по алфавиту, ценовому диапазону, региону, цвету, размеру, типу файла, автору). Возможности текстового поиска лучших систем богаты и гибки и включают поддержку базового поиска по ключевым словам, синтаксис +/- в стиле Google, старомодные логические операторы, обработку естественного языка, операции близости, функции поиска похожих и другие функции.

Полнотекстовые поисковые системы также имеют возможности ранжирования релевантности для определения наилучшего соответствия запросу. Эти расчеты учитывают частоту терминов запроса в документе, их частоту в корпусе в целом и близость друг к другу в документе, среди прочих факторов.

Системы полнотекстового поиска используют индекс для выполнения запросов. Наиболее распространенным типом индекса является инвертированный индекс, который подсчитывает каждый термин — каждое слово, число и т. д. — в каждом документе с указанием того, какие документы содержат этот термин и где они встречаются в документах.

Для каждого поля может быть отдельный индекс, или все поля могут содержаться в одном индексе. Система обычно включает в себя возможности для работы с нетекстовыми полями, такие как поиск по числовому диапазону, особенно когда эти диапазоны встречаются в теле текста, возможность сортировки результатов по любому полю и т. д., но эти возможности обычно необходимо найти в сами документы и, как правило, не вычисляются поисковой системой в режиме реального времени.

В дополнение к индексации данных, большинство систем полнотекстового поиска могут сохранять и извлекать данные в их исходной форме. Одной из причин этого является легкое заполнение списка результатов поиска фактическими данными из перечисленных документов, что дает пользователям лучшее представление о документе, прежде чем они щелкнут, чтобы просмотреть его. Эти системы также поддерживают добавочную индексацию и возможность добавлять, удалять или обновлять отдельные записи.

Поисковые системы, однако, несколько ограничены в своей способности быстро и безопасно обрабатывать транзакционные обновления в стиле базы данных в традиционном процессе индексирования, и им приходится адаптироваться к изменениям, которые «вталкиваются» в индекс, а не полагаться на оппортунистические добавочные обновления к индекс. Эти изменения, происходящие почти в реальном времени, позволяют отображать пользователю сложную информацию о продукте, например доступность запасов в местном магазине.

Поисковые системы не полагаются исключительно на текст, который был «прочитан» в индексе для всех показателей релевантности. Они также могут полагаться на модели ИИ, чтобы влиять на релевантность запросам пользователей. Индивидуальные взаимодействия пользователей (клики, просмотры, запросы, добавление в корзину — также называемые сигналами) объединяются и передаются обратно в систему, чтобы предоставить более релевантные результаты и улучшить взаимодействие с пользователем. Эти методы персонализации, впервые примененные в мире коммерции, проникают в цифровое рабочее место для повышения производительности и лучших рекомендаций.

Еще одной отличительной чертой поисковых систем является возможность индексировать данные из множества различных источников данных. Индекс может содержать данные из файловых систем, веб-серверов, систем CRM, баз данных и многих других источников информации. Один пользовательский запрос может искать информацию в любой из этих систем и показывать им только те документы, которые им разрешено просматривать в зависимости от их разрешений и привилегий безопасности.

Возможности систем полнотекстового поиска можно резюмировать следующим образом:

• Ответы поиска за доли секунды при поиске миллионов, возможно, миллиардов документов, содержащих один или несколько терминов. Это включает в себя поиск текстовых полей и несколько более ограниченные возможности поиска нетекстовых данных. Кроме того, также включает в себя эффективную фасетирование или категоризацию контента или результатов поиска на основе определенных значений определенных полей.
• Богатые и гибкие инструменты текстовых запросов и сложные возможности ранжирования для поиска лучших документов и записей.
• Рекомендации по контенту и экспертам, чтобы направлять пользователей к результатам, наиболее значимым для их запроса
• Релевантность в реальном времени повышается на основе предыдущих взаимодействий, запросов и поведения других пользователей.
• Возможности для добавления, удаления или обновления документов и записей.
• Базовая функциональность для хранения данных помимо простого индексирования и поиска.
• Ограниченные возможности для поиска и обработки данных, фактически представляющих различные типы записей.

Когда использовать систему полнотекстового поиска в вашем приложении

Требования к приложению, которые могут предложить выбор системы полнотекстового поиска вместо реляционной базы данных:

• Приложение будет индексировать большой объем преимущественно текстовой информации.
  Все возможные взаимодействия и запросы пользователей нельзя предусмотреть заранее, и они могут меняться со временем.
• Запросы могут охватывать несколько систем и исходных репозиториев (файловые системы, веб-серверы, CRM, базы данных и т. д.)
• В систему будет отправлено большое количество запросов.
• Приложение должно поддерживать очень гибкие запросы полнотекстового поиска.
• Оптимальная релевантность не достигается или не может быть достигнута с помощью существующей технологии реляционных баз данных.
• Адаптивное взаимодействие с пользователем является основным требованием бизнеса.

Перемещение приложения из архитектуры базы данных в поиск

В приведенном выше списке приведены некоторые причины для выбора системы полнотекстового поиска в начале проекта. Но это также может привести к миграции существующее приложение из базы данных в полнотекстовую систему.

База данных могла быть подходящей, когда приложение было впервые создано, но проблемы с производительностью могут со временем замедлить работу. Рост объема данных, запросов или пользователей может начать снижать производительность. В других случаях это связано с тем, что первоначальный выбор реляционной базы данных был сделан не столько из-за реальных требований к «реляционной» (многотабличной) или «управлению базой данных» (обработка транзакций), сколько из-за того, что команда была лучше знакома с архитектурой базы данных и его условности.

Система полнотекстового поиска может оказаться более эффективным инструментом, если данные из нескольких таблиц «сведены» в единый формат записи, подходящий для полнотекстовых операций. Это наиболее полезно, когда имеется только одна или несколько таблиц и ограниченные потребности в расширенной обработке транзакций или восстановлении.

В некоторых случаях данные должны оставаться в реляционной базе данных из-за технических требований, даже если поиск в базе данных неадекватен. В этих случаях базу данных можно проиндексировать, чтобы она была доступна для поиска в полнотекстовой системе.

Сводка

Технологии поиска превосходно подходят для высокоскоростного поиска и обработки больших объемов данных. Они не так сильны в обработке типов с несколькими записями или обработке транзакций, как реляционные базы данных. Но гибкость, предлагаемая современной поисковой системой, более чем достаточна в большинстве ситуаций и часто является единственным решением для ресурсоемких приложений.

Многие устаревшие приложения на основе СУБД были созданы с использованием баз данных из-за удобства и знакомства разработчиков, а не из-за того, что приложение лучше всего подходит для возможностей базы данных. Многие приложения могут быть перенесены и работать с поисковой системой, если СУБД больше не соответствует потребностям пользователей или владельца бизнеса.

Другие приложения могут быть частично перенесены в поисковые системы для поддержки конкретных поисковых потребностей проекта. Дополнительные данные можно использовать одновременно в обеих системах, чтобы использовать преимущества каждой из этих собственных систем.

О Lucidworks

Семантический текстовый поиск | Yext

Запланируйте личную демонстрацию

Узнайте, как поисковая платформа Yext позволяет брендам захватывать и удерживать потребительский трафик со всех уголков Интернета.
Что будет дальше?

• Сотрудник команды запланирует короткий звонок, чтобы согласовать цифровую стратегию вашего бренда.
• После этого мы проведем персональную консультацию по поиску, чтобы выявить пробелы в вашей эффективности в Интернете.
• Наконец, вы получите живую демонстрацию решений Yext, которые наилучшим образом соответствуют вашим бизнес-целям и целевой аудитории.

Сегодня любой путь клиента начинается с вопросов. Ответьте на них с помощью Yext.

Проблема с поиском по ключевым словам

Хорошая поисковая система понимает намерения пользователя и возвращает наиболее релевантные результаты. Современные поисковые системы, такие как Google, Bing и DuckDuckGo, действительно хороши в этом. Но за исключением основных поисковых систем, большинство технологий корпоративного поиска терпят неудачу, потому что они смотрят только на слова в запросе, а не на намерение, стоящее за ним. Они используют «поиск по ключевым словам» — технологию, которая не менялась десятилетиями.

Но поиск по ключевым словам имеет большой недостаток: люди используют разные слова, чтобы задать одни и те же вопросы. Рассмотрим следующие примеры:

Пользователи, стоящие за этими поисками, имеют схожие или одинаковые намерения, и подход на основе ключевых слов не сможет предоставить наиболее релевантные результаты для этих поисков, которые ищут одну и ту же информацию.

Системы на основе ключевых слов часто используют такие методы, как TF-IDF, синонимы, определение корней и лемматизацию для улучшения результатов, но эти хаки требуют много времени и подвержены ошибкам, и они по-прежнему не достигают цели поиска пользователя. Пользователь, скорее всего, получит список ссылок, которые соответствуют хотя бы одному ключевому слову, и ему придется самостоятельно искать соответствующую информацию, если она вообще там есть.

Как работает семантический текстовый поиск

Мы научили BERT Google лучше понимать, что на самом деле ищет клиент. Это означает, что, в отличие от систем, основанных на ключевых словах, Поиск знает, что кто-то, кто ищет «отправить обувь обратно», хочет запустить процесс возврата, и что тому, кто спрашивает о «вывихе плеча», вероятно, нужен ортопед.

Поиск анализирует значение запроса и находит сущности, которые имеют наиболее релевантные ответы на этот запрос. Он использует нейронные сети, чтобы точно понять, что ищет пользователь, и найти наиболее релевантные результаты из сети знаний.

Yext настроил BERT, чтобы лучше понимать поисковые запросы. Когда пользователь вводит запрос, Search кодирует его как вектор, создавая числовое представление запроса. Затем он ищет данные в графе знаний, наиболее близкие к запросу в векторном пространстве.

Два вектора, близких в пространстве, имеют более общие значения, чем два, которые находятся далеко друг от друга. Семантический текстовый поиск помещает запрос в векторное пространство и находит наиболее близкий к нему контент, предоставляя вашим клиентам ответы, о которых они, возможно, не подозревали, что им нужны.

Эти векторы имеют 768 измерений, что для нас невозможно понять, но вы можете визуализировать процесс в двух измерениях здесь:

Присоединяйтесь к Hitchhikers, новой обучающей платформе и сообществу Yext, чтобы проверить свои знания и заработать значки. , и пообщайтесь с экспертами.

Создайте бесплатную учетную запись

Единая платформа. Неограниченные решения.

Удобный поиск — ключ к хорошему восприятию бренда как на вашем веб-сайте, так и за его пределами. Отвечайте на вопросы клиентов и расширяйте бизнес по цифровым каналам с помощью маркетинговых решений на основе искусственного интеллекта от Yext.

Обзор

Ответьте на вопросы службы поддержки до того, как они станут заявками в службу поддержки. Оптимизируйте процесс разрешения проблем с помощью современных решений Yext для поддержки клиентов на основе искусственного интеллекта.

Explore

Создайте интуитивно понятный интерфейс поиска и обнаружения в электронной коммерции, чтобы вы могли предоставлять прямые ответы своим клиентам на каждом этапе пути. Превратите свой веб-сайт в механизм конверсии и упростите цифровой путь клиента с помощью решений для коммерции на базе искусственного интеллекта от Yext.

Создайте интуитивно понятный интерфейс поиска и обнаружения в электронной коммерции, чтобы вы могли предоставлять прямые ответы своим клиентам на каждом этапе пути.

Превратите свой веб-сайт в механизм конверсии и упростите цифровой путь клиента с помощью решений для коммерции на базе искусственного интеллекта от Yext.

Исследовать

Сотрудникам нужна информация о компании для выполнения их работы. Сделайте поиск легким, быстрым и увлекательным с помощью решений для поиска на рабочем месте на базе искусственного интеллекта от Yext.

Сотрудникам нужна информация о компании, чтобы выполнять свою работу. Сделайте поиск легким, быстрым и увлекательным с помощью решений Yext для поиска на рабочем месте на основе искусственного интеллекта.

Исследуйте

Создайте платформу Yext для полностью индивидуального поиска с помощью ИИ — быстро. Благодаря SDK, API и надежной документации платформа ответов Yext предоставляет строительные блоки для создания индивидуального поиска.

Создайте платформу Yext для полностью индивидуального поиска с помощью ИИ — быстро. Благодаря SDK, API и надежной документации платформа ответов Yext предоставляет строительные блоки для создания индивидуального поиска.

Исследовать

Исследуйте связанные функции

Поиск многоалгоритма подходов

Имен Инициатор признание

СМОТРЕТЬ. бизнес.

Получить демонстрацию

Запланировать личную демонстрацию

Узнайте, как Yext Search Platform позволяет брендам захватывать и удерживать потребительский трафик со всех уголков Интернета.
Что дальше?

• Сотрудник команды запланирует короткий звонок, чтобы согласовать цифровую стратегию вашего бренда.
• После этого мы проведем персональную консультацию по поиску, чтобы выявить пробелы в вашей эффективности в Интернете.
• Наконец, вы получите живую демонстрацию решений Yext, которые наилучшим образом соответствуют вашим бизнес-целям и целевой аудитории.

Сегодня любой путь клиента начинается с вопросов. Ответьте на них с помощью Yext.

Как работает текстовый поиск на сайтах электронной коммерции — Syte

От проверки фактов до планирования поездки текстовый поиск играет ключевую роль, помогая пользователям находить то, что они ищут, в обширной всемирной паутине. В электронной коммерции это один из основных способов поиска и покупки товаров покупателями.

Уровень сложности текстового поиска на сайтах электронной коммерции влияет на качество обслуживания клиентов. В этом посте мы раскрываем, как работает текстовый поиск, а также проблемы и возможности поиска товаров в электронной коммерции.

Что такое поиск произвольного текста и как он работает?

Поиск произвольного текста — это метод поиска документов, записей и баз данных, содержащих или совпадающих с одним или несколькими словами, введенными пользователями. Это тип поиска текста, который является основой всех поисковых систем в Интернете.

Почти каждое приложение поставляется с бесплатным инструментом поиска текста. Однако существуют различия в возможностях. Наиболее распространенными являются поиск по метаданным и полнотекстовый поиск. Первый анализирует только части или описание документов, а второй просматривает все слова в документах.

Текстовый поиск на сайтах электронной коммерции обычно является встроенным инструментом и включает базовое сопоставление текста на основе тегов продуктов. Это включает в себя индексирование названий продуктов, описаний и структуры категорий, распознавание запросов во множественном числе, исправление орфографических ошибок и поддержку синонимов, включенных в теги.

Когда потребители вводят одно или несколько слов в инструмент поиска с произвольным текстом, результаты продукта должны быть прямыми или близкими к используемым условиям поиска. Однако есть общая проблема: отсутствие релевантности результатов.

Каковы проблемы текстового поиска?

В среднем Econsultancy обнаружила, что 30% посетителей электронной коммерции используют поиск на сайте. Покупатели, использующие панель поиска, обычно имеют более высокие намерения, поскольку знают, что ищут.

Более того, исследование Episerver показало, что, когда потребители активно ищут продукты, коэффициент конверсии значительно выше, чем когда они просматривают социальные сети или просматривают медийную рекламу.

Когда поиск товаров для электронной коммерции дает релевантные и точные результаты, это повышает удобство покупок в Интернете. Не только потому, что это приводит потребителей к продуктам, которые они хотят купить, но и, что более важно, это показывает, что бренды понимают, что и как думают покупатели.

К сожалению, большинство систем текстового поиска на сайтах электронной коммерции по-прежнему недостаточно надежны, чтобы предоставлять то, что хотят и в чем нуждаются покупатели.

Плохая поддержка поиска по основным ключевым словам

Согласно крупномасштабному исследованию юзабилити поиска электронной коммерции, проведенному Baymard Institute в 2014, 2017 и 2019 годах, по-прежнему существует «на удивление плохая поддержка» для распространенных и основных типов текстовых запросов.

Последний раунд исследования показал, что среди 60 самых прибыльных сайтов электронной коммерции в США и Европе:

• 61% сайтов требуют, чтобы пользователи выполняли поиск по конкретному жаргону типа продукта, который используется на сайте, например. невозврат релевантных продуктов для поиска, такого как « фен », если на сайте используется « фен », или « многофункциональный принтер » вместо « многофункциональное устройство »
• 46% не поддерживают тематические поисковые запросы, такие как « весенняя куртка » или « офисный стул »
• 32% не поддерживают символы и аббревиатуры даже для самых основных единиц, в результате чего пользователи упускают наиболее релевантные продукты, если ищете дюймов , если сайт использовал " или в в своих данных о продукте.
• 27% не дадут полезных результатов, если пользователи неправильно напишут один символ в названии продукта
• 25% не поддерживают поисковые запросы, не связанные с продуктом, такие как « возвращает » или « отслеживание заказа »

Плохое общее качество поиска

Помимо первоначального текстового поиска, другие функции, связанные с поиском на сайте, вносят свой вклад и поддерживают общее впечатление от покупок. Бренды, присутствующие в Интернете, должны решить следующие проблемы веб-сайта и текстового поиска, чтобы воспользоваться преимуществами удобного поиска:

• Малозаметные окна поиска (например, скрытые под гамбургер-меню на мобильном телефоне)
• Отсутствие поддержки опечаток, ошибок или синонимов распространенных ключевых слов
• Нестандартное представление результатов (разбивка на страницы, сортировка, фильтрация)
• Плохо выполненные фильтры (нерелевантные атрибуты, плохая функциональность, пустые наборы результатов)

Другими словами, между тем, как потребители ищут продукты, и тем, как текстовый поиск обрабатывает запрос и выдает результаты, все еще существует огромное несоответствие.

К счастью, недавние разработки в области технологий, таких как машинное обучение, обработка естественного языка (NLP) и другие, все больше и больше приближают производительность текстового поиска к ожиданиям покупателей.

Почему так важен поиск товаров в электронной коммерции и как двигаться вперед

Поисковые системы, такие как Google и Bing, и интернет-магазины, такие как Amazon и eBay, предъявляют высокие требования к удобству, которое потребители привносят на любую платформу или канал, которые они посещают, включая электронную коммерцию места.

Но в этом есть смысл. Успех поиска продуктов электронной коммерции во многом зависит от релевантности, скорости и точности результатов поиска. То, как бренды понимают и поддерживают поведение покупателей при поиске, может повлиять на качество обслуживания клиентов.

Чтобы соответствовать постоянно меняющимся покупательским привычкам и поисковым запросам, брендам крайне важно иметь систему поиска продуктов электронной коммерции, которая может автоматически и непрерывно оптимизировать результаты в зависимости от контекста и намерений. Возможности должны, как минимум, включать следующее:

• Предложения по поиску в режиме реального времени
• Лингвистический анализ
• Обнаружение геополокации
• Автозаполнение
• Предварительный поиск
• Текстовый запрос и анализ трафика

Инновационные учебники для современных магазинов. важно для решения фундаментальной проблемы плохого текстового поиска. То есть растущая база данных несовместимых тегов продуктов, ввод и поддержка которых требует больших затрат и времени.

Эта устаревшая и традиционная инфраструктура поиска продуктов электронной коммерции, выполняемая вручную, не подходит для современных более динамичных и быстро меняющихся покупателей и розничной торговли.

С помощью визуального ИИ бренды могут дополнить текстовый поиск, улучшая теги продуктов с помощью глубоких тегов на основе ИИ. Это не только автоматически расширяет информацию о продукте с помощью тегов на основе изображений из тысяч отраслевых атрибутов и их синонимов, но и с помощью обработки естественного языка (NLP) также переводит и распознает язык и контекст, которые используют покупатели.

Добавленные уровни сведений о продукте и NLP гарантируют, что потребители увидят наиболее точные и релевантные продукты, даже если они будут искать ключевые слова, которые не соответствуют описанию в каталоге на сайте.

Когда бренды предлагают именно то, что ищут потребители, они могут сразу же совершать продажи или активировать беспрепятственный и увлекательный процесс совершения покупок.