个性化和推荐如何增强搜索和发现

你要回家过圣诞节，刚得知你的阿姨也要来。在候机回家的时候，你正在浏览你最喜欢的在线商店——希望能找到完美的最后一分钟礼物。但是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，页面上没有一件与圣诞节相关的东西。现在是 12 月 15 日。你已经可以想象空手面对阿姨时的尴尬场面了。轻微的恐慌。

你关闭标签页，开始疯狂地在谷歌上搜索“快速送达的圣诞礼物”。

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。内容相关性是转化和流失之间的真正区别。个性化很重要：研究表明，76% 的用户在网站缺乏个性化时会感到沮丧。

AI 驱动的搜索引擎为开发者提供了解决这个问题的工具。它们不仅帮助用户找到他们正在寻找的东西，还赋能他们去发现。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，以提高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，然后我们将研究领先公司的实际应用案例，最后，我们将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。通过为用户量身定制体验，它变得更加直观、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。用户更倾向于与以他们首选语言呈现的网站互动，即使存在翻译选项。

在搜索中，个性化通常包括显示最近的搜索。像 Facebook 和 Google 这样的平台使用这种方式来帮助用户快速访问相关内容。例如，用户打开搜索栏可以看到他们最近的搜索，从而加速访问相关页面。

个性化依赖于用户特定的数据，例如配置的偏好设置，或推断的信息，如 IP 地址、默认浏览器语言或设备类型。这些数据能够实现定制化和用户友好的体验。

什么是推荐？

推荐是一种定制形式，旨在提高用户参与度和促进转化。它们建议与用户当前正在查看或互动的内容或产品相关的内容或产品。

例如，在电子商务中，搜索 MacBook 的用户可能会看到关于其他 MacBook 型号或同一产品不同颜色的推荐。

推荐的目的是通过缩小用户的搜索范围并帮助他们找到相关的项目来改进发现。与使用用户特定数据的个性化不同，推荐侧重于项目属性，如类别、类型或受欢迎程度。

通过将建议建立在当前的互动之上，推荐有效地引导用户找到额外的资源或感兴趣的产品。

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：依赖于用户特定的数据（例如，位置、偏好）来创建感觉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感。

• 推荐：使用内容特定的数据（例如，产品详情、趋势）来推荐相关或相似的项目。它通过引导用户探索新的选项来促进发现。

虽然个性化侧重于用户，但推荐侧重于内容。结合这两种方法通常会产生最佳结果，在熟悉感和发现之间取得平衡，以满足不同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点，以增强搜索和发现。

例如，一个电子商务平台可能会个性化搜索结果，优先显示用户所在国家/地区可用的产品。与此同时，它可以推荐在该地区流行的产品。这种混合方法不仅帮助用户更快地找到他们需要的东西，而且还向他们介绍了根据其背景量身定制的新选项。

像 Meilisearch 这样的混合搜索引擎使开发者能够将用户特定的过滤器与基于向量的推荐相结合。这简化了实施，缩短了价值实现时间，并创造了可扩展、引人入胜的搜索体验。

个性化和推荐在搜索和发现中的案例研究

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，使用用户的活动历史记录来显示相关内容。此功能通过使用户更容易找到相关页面来提高激活率。

对于一个生产力应用程序来说，这非常有意义，因为在很多情况下，用户可能想要回到以前看过的内容。他们可能想要从上次离开的地方继续工作，或者他们需要再次检查他们在之前参加的会议中做出的决定。因此，这种 应用程序搜索 实现特别适合主页。

Reddit：“因为您之前访问过这个社区”

同样，Reddit 根据用户的活动历史记录建议加入的社区。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，这是该应用程序的一个关键功能。对于用户而言，这改善了他们 feed 的定制化。因此，它使他们能够发现更多他们可能感兴趣的内容，从而带来持续的参与度和更高的用户留存率。

X（前身为 Twitter）：“正在发生什么”

X 根据用户的位置个性化推荐热门内容。这使得信息与用户更相关，并提高了用户参与度。

在这个例子中，X 让用户可以访问热门趋势内容。位置在这里起着重要的作用，因为居住在巴西的人可能对挪威正在发生的事情不感兴趣。通过按地理位置过滤，X 确保内容与用户相关，并兑现其让用户了解当前正在发生的事情的承诺。这提高了用户参与度，因为向用户推荐的内容很可能让他们感兴趣。

推荐示例

Netflix：“因为你喜欢这个”

Netflix 通过利用用户评分在其应用程序中实施推荐。目的是通过推荐类似内容来改善用户的内容发现，从而推动持续的用户参与。

这是一个基于用户与产品互动的推荐案例。在本例中，Netflix 使用用户对另一个项目的评分来推荐类似的内容。这使得用户能够找到更多他们喜欢的内容。这种方法已被证明是有效的，因为该公司报告称，用户在 Netflix 上观看的内容有 75% 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，并展示了使用喜欢功能的价值。这创造了一个良性循环，即其他核心应用程序功能的采用率提高，进一步提高了客户的价值。

亚马逊：“购买此商品的顾客也购买了”

亚马逊实施了一种不同的推荐系统，通过根据购买行为数据推荐互补产品。这里的目标是增加购物车大小并提高转化率。

在这个例子中，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。该公司利用其业务分析来推荐通常一起购买的产品。

这种方法与传统的推荐类似产品以帮助用户在替代方案之间做出决定的方法形成对比。它带来了显著的成果，亚马逊高达 35% 的销售额来自推荐。这种模式现在已经流行起来，并已成为 电子商务搜索 的主要组成部分。

Spotify：“该艺术家的更多作品”

Spotify 在艺术家页面上实施推荐，建议同一艺术家的其他专辑。目的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，使用一个项目——在本例中是当前的专辑——来推荐用户可能参与的相关内容。在这里，他们建议同一艺术家的其他专辑。这可以使用项目的任何属性来拒绝，例如发行年份或流派。

在屏幕截图中，专辑不是按时间顺序排列的。这表明它们可能是根据当前的收听趋势、用户行为或两者的组合进行排名的，以最大限度地提高用户互动的可能性。这种方法通过增强内容发现来支持用户激活，帮助用户更多地利用产品并最终提高用户留存率。

混合方法的示例

Netflix：“今日您所在地区的 10 大电视节目”

Netflix 通过将 使用趋势数据 与 特定位置的 个性化相结合，创建引人入胜的推荐。目的是进一步提高激活率。

事实上，将趋势过滤到他们所在地区的热门趋势，可以创造更加量身定制的体验。这可以利用错失恐惧症，并鼓励观众及时了解当地的趋势。更重要的是，这可能对他们更有趣，因为 文化群体 通常有相似的品味和消费习惯。

这种 网站搜索 模式最常在具有大型内容目录的应用程序中实现。它为用户带来了增强的 内容发现，并由于用户找到他们可能参与的内容的能力得到提高，从而提高了用户激活率。

Reddit：搜索下拉菜单

Reddit 的搜索下拉菜单通过融合 搜索历史记录 和 趋势内容推荐 来帮助用户入门，从而 提高用户参与度。

搜索下拉菜单包含两个部分：搜索历史记录和趋势。与 Notion 相比，Reddit 在此处没有列出帖子历史记录，而是列出了最近访问的社区。通过鼓励用户回顾社区，他们可能会 发现新的相关内容。但是，每日趋势部分会根据 全球用户趋势 推荐帖子，以实现 更直接的激活。

使用哪种工具来构建个性化搜索和 AI 驱动的推荐？

在了解了公司如何实施这些技术之后，让我们探索使其成为可能的底层架构。

基本功能要求

良好的搜索体验对于转化用户至关重要。它可能是用户完全跳出和用户点击几下就完成转化之间的区别。当实施良好时，强大的搜索和发现机制可以成为用户体验的核心部分。考虑 YouTube、亚马逊或 Slack 等平台——这些应用程序严重依赖搜索来帮助用户充分发挥其产品的价值。

然而，当尝试混合和匹配不同的工具来处理手头的工作时，实施搜索可能会具有挑战性。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。除了提供高级 全文和 AI 驱动的搜索 之外，Meilisearch 还提供专用的前端库，用于无缝实施常见的用户体验模式。

为了支持推荐功能，必须使用支持存储和搜索向量的搜索引擎。向量 嵌入 是数据的数学表示，允许相似性搜索在数据库中检索相似的文档。这种能力支持诸如“因为你喜欢这个”或“外观相似的产品”之类的功能。结合 混合搜索，开发者仍然可以使用过滤器、排序和其他全文搜索功能来提供完全可定制的推荐体验。

Meilisearch 将这些功能结合在一起，使开发者更容易创建直观且有影响力的搜索体验，从而提高用户参与度和转化率。

使用搜索引擎进行个性化和推荐

Meilisearch 具有广泛的功能，使开发者能够构建融合个性化（用户特定结果）和推荐（以项目为中心的见解）的体验。让我们看看如何实现其中一些功能。

实施个性化需要大量的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过滤器，以及利用搜索历史记录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。

通过利用像 Meilisearch 这样的搜索引擎，开发者可以受益于兼容的 前端组件 集合，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，并能够以最少的努力创建世界一流的用户体验。

如何实施个性化和推荐

类似项目的推荐

这种情况与 Netflix 的“因为你喜欢这个”示例相同。类似项目的推荐可以实现不同的目标。在电子商务中，它允许用户发现替代方案，帮助他们找到满足需求的理想产品。在媒体平台上，它通常用于通过推荐与用户已经参与的内容相似的内容来重新吸引用户。

在 Meilisearch 电影搜索演示 中——一个帮助用户查找流媒体或购买电影平台的应用程序——我们实现了这种模式，以提供类似电影的建议。例如，在下面的屏幕截图中，您可以看到哪些电影与“海洋奇缘 2”相似。使用 Meilisearch，可以使用 类似文档 API 来实现此功能。

请查阅 开源存储库 以获取有关实施的更多详细信息。

使用最近搜索进行搜索个性化

正如在 Notion 的“最近访问”示例中看到的那样，常见的个性化实施使用用户的活动历史记录来显示最近搜索的列表。例如，SaaS 可能希望在搜索下拉菜单中包含用户以前搜索的列表，以使他们能够快速找到他们已经搜索过的内容。

当使用 Meilisearch 构建时，这可以在前端应用程序中使用 Meilisearch 的自动完成客户端 以及 autocomplete-plugin-recent-searches 库来实现。以下是 Autocomplete 如何与您的前端应用程序交互的概述。

使用本地化内容进行搜索个性化

此示例类似于 X 的“正在发生什么”部分，其中涉及根据用户的位置定制内容。使用 Meilisearch，本地化搜索内容就像应用过滤器一样简单。此过滤器可以对用户隐藏，也可以设置为用户可以通过用户界面调整的默认选项。

Meilisearch 提供了各种 过滤功能 来微调搜索结果。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对内容进行排序。Meilisearch 的 排序功能 和 地理空间搜索功能 使这变得简单直接。

请查阅 GitHub 存储库中的 电子商务演示 和 地理搜索演示，以获取有关实施的更多见解。

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，推荐趋势内容是促进用户参与的好方法。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管道来相应地更新 Meilisearch 索引。这是一个示例实现，它使用网站流量在索引中注入一个 popularity 字段。

然后，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 的自动完成客户端 库。

个性化搜索：通过熟悉感和发现驱动用户参与

个性化和推荐是经过验证的用户体验模式，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去的行为）来创建熟悉且引人入胜的体验。另一方面，推荐依赖于公司可用的数据（如内容目录或购买趋势）来推荐具有高转化潜力的项目。

这些策略已被领先的在线企业广泛采用，正如数字商务、社交网络和流媒体平台等行业的案例研究所示。公司使用这些方法来提高用户参与度、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，从而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，您可以定制结果以匹配用户意图，同时优化内容发现。搜索引擎实现了这些模式，从而改进了搜索功能以及您的网站或应用程序的整体用户体验。

Meilisearch 提供了一个快速、开发者友好的解决方案，用于构建可随您的业务扩展的混合搜索。 立即开始免费试用，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。