事例大背景

某严选类B2CAPP，与淘宝网京东等第一线店家合作,亿左右货品检索量，品类美树品类第二层冗余，货品有相同子配饰和配饰，搜寻和甄选市场需求复杂。透过采用经销+券商业模式，代金券协助普通C使用者减少了配饰价格，经销商业模式协助推展者B增加了使用者数量，平台获得分为，使用者付款后还能返钱款和代金券，进而提高拉沙泰格赖厄县率, 其中搜寻的网络流量占比站内网络流量60%以上，所以对搜寻结论的停售和次序有很高的要求，来衡量搜寻效用的直接分项就是抖音视频运营推展成有转换率。

市场需求意见反馈

销售业务方希望迅速扩大市场提高使用者新体验，市场需求开发项目组针对产品功能加速强化，进一步提高CTR、CVR的销售业务分项

市场需求预测

• B2C行业中，“搜寻”是协助使用者功能定位自己想的货品提高转化的重要渠道；搜寻引擎的效用强化是一个非常大的热门话题，在查阅企图认知期能有语法认知、重新命名虚拟辨识、词权重股预测、拼法纠偏等强化方式，在次序期可有文档关联度、曝光率数学模型、品类预测等强化方式，透过配置查阅预测思路和调抖音视频运营推展整次序式子，他们对效用强化能有非常大的发挥空间，再透过AB试验来对照相同强化思路的效用表现，他们能努力做到效用强化有的放矢。 • 销售业务分项数据中“下载量和转换率”则简单反映了搜寻结论页的货品结论是否满足使用者的市场需求; • 强化停售和次序结论能协助使用者加速找到心中想像的内容，是改善使用者新体验，减少跳脱率，促进使用者转换率的最好方法。

阿里云对外开放搜寻解决计划

Query在对外开放搜寻的执行业务流程：

对外开放搜寻的强化计划抖音视频运营推展:

1.查阅企图认知强化计划能参照上一则该文

:https://developer.aliyun.com/article/770543?spm=

2.对外开放搜寻-品类预测功能品类预测是对外开放搜寻里基于物品的品类信息改善搜寻效用的算法功能,品类预测根据使用者的查阅词来预测使用者想查阅哪个类抖音视频运营推展目的结论，结合次序表达式，能使得更符合搜寻企图的结论次序更靠前。例如：使用者搜寻“华为” • 大部分人企图其实是想获得“华为手机”，但因为销量大小、价格高低、店铺等级等各种原因，存在“华为手表”等配件货品排在“华为手机"更前面。 • 当他们训练“品类预测数学模型”，数学模型就会表达出一个信息，根据行为数据统计发现点击“手机”品类要比点击“配件”品类的人多很多，那么数学模型会给出这样的预测结论，对“华为”这个q抖音视频运营推展uery来说，“手机”品类与“华为”的关联度，比“配件”品类与“华为”的关联度高, 所以在计算每个物品的次序分的过程中，“手机”品类下的物品所获得的得分要比“配件”品类下的物品得分高，进而“手机”品类下的物品会排在更前面。 • 这样的次序结论才是一个比较符合使用者预期的结论，使用者才更有可能点进去了解详情，进而提高搜寻的销售业务价值,提高CVR的销售业务分项；

3.次序算法强化 • 支持两轮相关性次序定制，搜寻结论相关抖音视频运营推展性次序是影响使用者新体验最关键的一环，对外开放搜寻支持开发者定制两轮相关性次序规则来准确控制搜寻结论的次序。第一轮为粗排，从命中的文档集合里海选出相关文档。第二轮为精排，对粗排的结论做更精细甄选，支持任意复杂的表达式和语法。方便开发者能更准确控制次序效用，强化系统性能，提高搜寻响应速度。

• 引用智能次序曝光率数学模型：离线计算的数学模型，淘宝网搜寻最基础的次序算法数学模型。曝光率数学模型会计算量化出每个货品的静态质量及受欢迎的程抖音视频运营推展度的值，不断训练统计形成曝光率分，构建更精细化的次序数学模型，精准命中搜寻市场需求，将曝光率数学模型involve成为次序的一个因子，搜寻结论的转换率还会有质的飞跃。

原文链接：

本文为阿里云原创内容，未经允许不得转载。