个性化和推荐如何提升搜索和发现体验
通过案例研究和实用技巧，了解如何利用个性化和推荐策略提升搜索效率。
你正准备回家过圣诞节，刚得知阿姨也会来。在等飞机时，你正在你最喜欢的网店里逛，希望能找到一份完美的最后一分钟礼物。但你的手机显示你在巴厘岛，所以网站以印尼语显示，你一个字也看不懂。
更糟糕的是，页面上竟然没有任何与圣诞节相关的东西。今天是12月15日。你已经能想象到空手出现在阿姨面前的尴尬了。一丝恐慌袭来。
你关掉标签页，开始疯狂地在谷歌上搜索“圣诞节快速送达礼物”。
这就是个性化出错的代价。着陆页内容不够相关，导致客户流失。内容相关性是转化率和跳出率之间的字面区别。个性化很重要：研究表明，76% 的用户在网站缺乏个性化时感到沮丧。
AI 驱动的搜索引擎为开发者提供了解决此问题的工具。它们不仅帮助用户找到所需，更赋能他们进行发现。在本文中，我们将探讨搜索引擎如何帮助开发者构建个性化推荐，从而提升用户参与度和转化率。
我们将首先定义什么是个性化和推荐，然后考察领先公司的实际应用，最后深入探讨如何使用搜索引擎来构建个性化、推荐以及无缝结合两者的体验。
什么是个性化和推荐？
什么是个性化？
个性化是一种用户体验模式，它为用户或网站访问者提供定制化的体验。通过根据用户需求量身定制体验，使其变得更加直观、熟悉和引人入胜。
例如，一个常见的个性化功能是根据浏览器或设备设置，以用户的母语显示网站。即使存在翻译选项，用户也更倾向于与以其首选语言呈现的网站进行互动。
在搜索中，个性化通常包括显示最近的搜索记录。Facebook 和 Google 等平台利用此功能帮助用户快速访问相关内容。例如，用户打开搜索栏时可以看到他们最近的搜索，从而加快访问相关页面的速度。
个性化依赖于用户特定数据，例如配置的偏好设置，或通过 IP 地址、默认浏览器语言或设备类型等推断出的信息。这些数据能够实现定制化且用户友好的体验。
什么是推荐？
推荐是一种定制形式，旨在增强用户参与度并提升转化率。它们会根据用户当前正在查看或互动的内容，建议相关内容或产品。
例如，在电商中，搜索 MacBook 的用户可能会看到其他 MacBook 型号或同款不同颜色的推荐。
推荐的目的是通过缩小用户搜索范围并帮助他们找到相关项目来改善发现体验。与使用用户特定数据的个性化不同，推荐侧重于项目属性，例如类别、类型或受欢迎程度。
通过基于当前互动提供建议，推荐能够有效地引导用户发现更多感兴趣的资源或产品。
个性化与推荐：主要区别
个性化和推荐服务于不同的目的，但它们可以很好地协同工作以改善用户体验
-
个性化：依赖于用户特定数据（例如，位置、偏好）来创建直观且引人入胜的定制体验。它通过为个人量身定制内容来增强熟悉度。
-
推荐：使用内容特定数据（例如，产品详情、趋势）来建议相关或相似的项目。它通过引导用户探索新选项来促进发现。
个性化侧重于用户，而推荐则以内容为中心。结合这两种方法通常能带来最佳效果，平衡熟悉度和发现性，以满足多样化的用户需求和业务目标。
融合个性化和推荐策略
为了提供卓越的用户体验，许多平台融合了个性化和推荐。这种方法结合了两种模式的优势，以增强搜索和发现。
例如，一个电商平台可能会个性化搜索结果，优先显示用户所在国家/地区有售的产品。同时，它还可以推荐在该地区受欢迎的产品。这种混合方法不仅能帮助用户更快地找到所需，还能向他们介绍符合其情境的新选项。
像 Meilisearch 这样的混合搜索引擎使开发者能够将用户特定筛选器与基于向量的推荐相结合。这简化了实现，缩短了价值实现时间，并创建了可扩展、引人入胜的搜索体验。
搜索与发现中的个性化和推荐案例研究
在本节中，我们将分析领先平台如何实施个性化、推荐和混合方法，以增强用户体验并提高参与度。
个性化示例
Notion：“最近访问”
Notion 在其主页上显示“最近访问”部分，利用用户的活动历史来展示相关内容。此功能通过让用户更容易找到相关页面来提升激活。
对于一款生产力应用来说，这非常有意义，因为在许多情况下，用户可能希望返回之前查看过的内容。他们可能想从上次中断的地方继续工作，或者需要再次查看他们之前参加的会议中做出的决定。因此，这种应用内搜索的实现特别适合主页。
Reddit：“因为你之前访问过此社区”
同样，Reddit 根据用户的活动历史推荐可加入的社区。这里的目标是提高功能采用率。
这种实现有助于推广加入社区，这是该应用的一项关键功能。对于用户而言，这改善了他们信息流的定制化。因此，它使他们能够发现更多可能感兴趣的内容，从而带来持续的参与度和更高的留存率。
X（前身为 Twitter）：“正在发生什么”
X 根据用户的位置个性化热门内容。这使得信息对用户更具关联性，并带来更高的参与度。
在此示例中，X 允许用户访问热门趋势内容。位置在这里起着重要作用，因为住在巴西的人可能对挪威发生的事情不感兴趣。通过按地理位置筛选，X 确保内容与用户相关，并履行其让用户了解当前发生的事情的承诺。这增加了参与度，因为向用户推荐的内容很可能让他们感兴趣。
推荐示例
Netflix：“因为你喜欢这部作品”
Netflix 在其应用程序中通过利用用户评分来实现推荐。其目标是通过建议类似内容来改善用户的内容发现，从而推动持续的参与度。
这是基于用户与产品互动进行推荐的案例。在这种情况下，Netflix 利用用户对其他项目的评分来推荐类似内容。这使用户能够找到更多他们喜欢的内容。这种方法已被证明有效，该公司报告称，Netflix 上 75% 的用户观看内容来自推荐。
这种方法特别有效，因为推荐系统依赖于一个高度可信的来源：用户输入。对于用户而言，它增强了他们的体验，并展示了使用点赞功能的价值。这形成了一个良性循环，提高了其他核心应用功能的采用率，进一步提升了客户价值。
亚马逊：“购买此商品的顾客也购买了”
亚马逊通过基于购买行为数据建议互补产品来实现不同的推荐系统。这里的目标是增加购物车商品数量和提高转化率。
在此示例中，推荐不仅基于商品属性（即用户正在查看的产品），还基于所有亚马逊用户的购买行为。该公司利用其商业分析来推荐通常一起购买的产品。
这种方法与传统推荐类似产品以帮助用户在替代品之间做出决定的方式形成对比。它带来了显著的成果，亚马逊高达35% 的销售额来自推荐。这种模式现在已广受欢迎，并成为电商搜索的必备功能。
Spotify：“此艺术家的更多作品”
Spotify 在艺术家页面上实施推荐，建议同一艺术家的其他专辑。目标是增强内容发现并维持用户参与度。
这是最简单的推荐方法，它使用一个项目——在本例中是当前专辑——来建议用户可能感兴趣的相关内容。在这里，他们推荐的是同一艺术家的其他专辑。这可以根据项目的任何属性进行，例如发行年份或流派。
截图中，专辑并非按时间顺序发行排列。这表明它们可能根据当前的收听趋势、用户行为或两者的组合进行排名，以最大化用户互动的可能性。这种方法通过增强内容发现来支持用户激活，帮助用户更好地利用产品并最终提高留存率。
混合方法示例
Netflix：“您所在地区今日十大热门电视节目”
Netflix 通过将使用趋势数据与位置特定的个性化相结合，创建引人入胜的推荐。目标是进一步提高激活率。
事实上，将趋势筛选为用户所在区域的特定热门内容，可以创造出更加量身定制的体验。这可以利用用户的“错失恐惧症”（FOMO），鼓励观众及时了解本地趋势。更重要的是，这可能对他们更具吸引力，因为文化群体通常拥有相似的品味和消费习惯。
这种站内搜索模式最常用于拥有大量内容目录的应用程序。它能为用户带来增强的内容发现，并通过提高找到用户可能感兴趣的内容的能力，实现更大的用户激活。
Reddit：搜索下拉菜单
Reddit 的搜索下拉菜单通过融合搜索历史和热门内容推荐来帮助用户入门，从而推动用户参与度。
搜索下拉菜单包含两个部分：搜索历史和趋势。与 Notion 相比，Reddit 在这里没有列出帖子历史，而是最近访问过的社区。通过鼓励用户回顾社区，他们可能会发现新的相关内容。然而，每日趋势部分根据全球用户趋势推荐帖子，以实现更直接的激活。
构建个性化搜索和 AI 驱动推荐的工具选择？
了解了公司如何实施这些技术后，让我们探讨实现这些技术的底层架构。
基本功能要求
良好的搜索体验对于用户转化至关重要。它可能决定用户是彻底跳出还是通过几次点击完成转化。如果实施得当，强大的搜索和发现机制可以成为用户体验的核心组成部分。以 YouTube、亚马逊或 Slack 等平台为例——这些应用严重依赖搜索来帮助用户充分发挥其产品的价值。
然而，当试图混合搭配不同工具来解决手头的工作时，实现搜索可能会充满挑战。为了全面优化搜索和发现体验，最好依赖像 Meilisearch 这样的专用搜索引擎。除了提供先进的全文搜索和 AI 驱动搜索，Meilisearch 还提供专用的前端库，用于无缝实现常见的用户体验模式。
为了支持推荐功能，使用支持存储和搜索向量的搜索引擎至关重要。向量嵌入是数据的数学表示，允许通过相似性搜索在数据库中检索相似文档。此功能支持“因为你喜欢这部作品”或“相似产品”等功能。结合混合搜索，开发者仍然可以使用筛选、排序以及其他全文搜索功能，提供完全可定制的推荐体验。
Meilisearch 将这些功能整合在一起，使开发者更容易创建直观且有影响力的搜索体验，从而推动用户参与和转化。
使用搜索引擎实现个性化和推荐
Meilisearch 拥有一系列广泛的功能，使开发者能够构建融合个性化（用户特定结果）和推荐（以项目为中心的洞察）的体验。让我们来看看其中一些功能如何实现。
实现个性化需要大量前端定制来创建量身定制的用户界面。这可以包括根据地区或用户偏好设置默认筛选器，以及利用搜索历史来获得更个性化的结果。当使用为此目的设计的专用库时，这些元素可以更无缝地集成。
通过使用像 Meilisearch 这样的搜索引擎，开发者可以受益于一套兼容的前端组件，包括针对 React 和 Vue 的特定集成。这种方法有助于节省开发时间，降低维护成本，并能以最少的努力创建世界级的用户体验。
如何实现个性化和推荐
相似物品推荐
此场景与 Netflix 的“因为你喜欢这部作品”示例相同。相似物品推荐可以实现不同的目标。在电商中，它允许用户发现替代品，帮助他们找到满足其需求的理想产品。在媒体平台上，它常用于通过建议用户已互动过的相似内容来重新吸引用户。
在Meilisearch 电影搜索演示中——这是一个帮助用户查找电影流媒体或购买平台的应用程序——我们实现了这种模式以提供相似电影的建议。例如，在下面的截图中，您可以看到哪些电影与“海洋奇缘2”相似。使用 Meilisearch，此功能可以通过相似文档 API 实现。
有关实现的更多详细信息，请查阅开源仓库。
结合最近搜索的个性化搜索
正如 Notion 的“最近访问”示例所示，一种常见的个性化实现方式是利用用户的活动历史来显示最近的搜索列表。例如，SaaS 应用可能希望在搜索下拉菜单中包含用户之前的搜索列表，以便他们能够快速找到已搜索过的内容。
使用 Meilisearch 构建时，这可以在前端应用程序中通过Meilisearch 的自动补全客户端以及 autocomplete-plugin-recent-searches 库来实现。以下是自动补全如何与您的前端应用程序交互的概述。
结合本地化内容的个性化搜索
此示例类似于 X 的“正在发生什么”部分，它涉及根据用户位置定制内容。使用 Meilisearch，本地化搜索内容就像应用筛选器一样简单。此筛选器可以对用户隐藏，也可以设置为用户可以通过用户界面调整的默认选项。
Meilisearch 提供多种筛选功能来精细调整搜索结果。对于地理空间内容，例如餐厅地址，本地化还可以包括按与用户的距离远近对内容进行排序。Meilisearch 的排序功能和地理空间搜索能力使其实现起来非常简单。
基于趋势的推荐
此示例类似于 Reddit 的“今日热门”。为了帮助用户开始使用应用程序，推荐热门内容是促进参与的好方法。这些趋势可以从您的搜索分析或其他您监控或手动收集的业务指标中得出。
您可以使用这些数据构建一个管道，以相应地更新 Meilisearch 索引。这是一个使用网站流量将人气字段注入索引的示例实现。
提供推荐就像对相关索引执行搜索一样简单。为了将这些推荐直接集成到搜索下拉菜单中，开发者可以利用Meilisearch 的自动补全客户端库。
个性化搜索：通过熟悉和发现驱动参与度
个性化和推荐是经过验证的用户体验模式，它们通过根据个人需求定制互动来增强客户旅程。个性化利用有关用户的信息（例如他们的偏好或过往行为）来创造熟悉和引人入胜的体验。另一方面，推荐则依赖于公司可用的数据（如内容目录或购买趋势）来建议具有高转化潜力的项目。
这些策略被领先的在线企业广泛采用，数字商务、社交网络和流媒体平台等行业的案例研究就证明了这一点。公司利用这些方法来提升参与度、提高客户满意度并推动业务成果。
通过融合个性化和推荐，您可以创建混合体验，提供两全其美的效果。借助结合了全文搜索、向量搜索和混合搜索的现代搜索解决方案，您可以根据用户意图定制结果，同时优化内容发现。搜索引擎支持这些模式，从而改进了搜索功能和网站或应用程序的整体用户体验。
Meilisearch 提供快速、开发者友好的解决方案，可构建随业务扩展的混合搜索。立即免费试用，或与我们的专家联系，了解混合搜索如何改变您的客户旅程。
