Query Understanding: Ein effizienter Weg, wie man mit Long-Tail-Abfragen umgeht

Unsere Daten zeigen, dass die meisten von ihnen ungefähr 1,5 Wörter verwenden, wenn sie nach einem bestimmten Produkt suchen. Diese kurzen Abfragen erschweren es leider der Volltextsuche, relevante Ergebnisse zu liefern. Obwohl es eine Verbesserung bei der Verwendung von Filtern gibt, gibt es oft so viele, dass es verwirrend sein kann. Eine der Möglichkeiten, die Suche effektiver zu gestalten, ist die Verwendung des „Learning to Rank“-Ansatzes, der eine optimale Rangfolge der Ergebnisse erstellt. Aber selbst diese Methode des maschinellen Lernens ist nicht allmächtig und deshalb haben wir Query Understanding entwickelt, eine großartige Ergänzung zum „Learning to Rank“.

Die Volltextsuche eignet sich hervorragend, wenn Sie längere Suchanfragen verwenden, z. B. vier oder mehr Wörter oder spezielle Begriffe wie einen Produktcode. In diesen Fällen gibt es Ihnen normalerweise genau das, wonach Sie suchen, an erster Stelle oder zeigt Ihnen eine „Keine Ergebnisse“-Seite. In jedem Fall sind beide Situationen besser, als Ihnen eine Liste mit völlig irrelevanten Ergebnissen anzubieten, was häufig der Fall ist, wenn Sie kürzere Abfragen verwenden, aber eindeutige Wörter minimieren oder weglassen.

So funktioniert die Suche in der realen Welt

So suchen die meisten Leute. Unsere Daten zeigen, dass Menschen im Durchschnitt 1,43 Wörter pro Suchanfrage verwenden (mit einer Standardabweichung von +/- 0,58, berechnet für unsere über 150 aktivsten Kunden). Wir haben zwar Kunden mit vielen Suchanfragen nur für Produktcodes (dies hängt von der Domain ab), aber der Median der Suchanfragen für reine Produktcodes beträgt nur 2,9 %.

Personen, die kurze, unspezifische Suchanfragen verwenden, sind der Eckpfeiler der Technologieprobleme bei der Volltextsuche. Die Nachteile der Volltextsuche sind die gleichen wie ihre Hauptvorteile. Buchstäblich kann sie über alles finden, was der Suchanfrage entspricht. und so findet es normalerweise Tonnen von Ergebnissen und überlässt es dem Suchenden, sie zu sortieren. Der Volltext-Score, der aus kurzen, unspezifischen Suchanfragen berechnet wird, ist nicht gut genug, um das Ranking der relevantesten Ergebnisse zu erstellen.

Wie sollten E-Commerce-Unternehmen reagieren?

Aus diesem Grund gibt es „Learning to Rank“. Diese auf maschinellem Lernen basierende Methode, die Ergebnisse nach einem Zahlenwert ordnet, der ihre Relevanz darstellt, kombiniert menschliches Verhalten mit Volltextmetriken und erstellt ein optimales Ergebnisranking. Bei Luigi’s Box haben wir diesen Mechanismus bereits in unsere suchbezogenen Produkte integriert. Wir haben jedoch gesehen, dass „Learning-to-Rank“ zwar sehr hilfreich ist, aber nicht der Königsweg für die ultimative Suchlösung ist. Es ist eine Herausforderung, das richtige Ranking-Modell für eine Abfrage zu lernen, die einmal im Monat angezeigt wird, und es gibt viele Bereiche, in denen eine lange Reihe solcher Abfragen vorhanden ist und um die man sich kümmern muss.

Die Lösung wäre, die Benutzer dazu zu bringen, sich mehr auf Filter zu verlassen, um die Suchergebnisse basierend auf den bestimmten Parametern ihres Interesses einzugrenzen. Bei der Betrachtung von Filtern kann es jedoch überwältigende Optionen geben. Einer unserer Kunden hat beispielsweise mehr als 2.000 verschiedene Parameter (je nach Produktkategorie) und fast 19.000 verschiedene Werte für diese Parameter. Es ist unmöglich, für alle eine intuitive und einfache Benutzeroberfläche zu erstellen.

Query Understanding jetzt verfügbar

Unser Ansatz für dieses Problem besteht darin, die Suchabsicht der Benutzer zu erkennen und die maximale Anzahl von Suchbegriffen in Schlüsselwertfilter umzuwandeln. Wenn ein Benutzer beispielsweise „offene Kopfhörer“ eingibt, erkennen wir automatisch den Filter „Akustiksystem: offen“, der normalerweise nicht über eine standardmäßige Facettenschnittstelle verfügbar ist, und informieren den Benutzer, dass er ihn ausschalten kann, falls er seine Meinung ändert. Wir können mit jedem der Tausenden verfügbaren Parameter umgehen und Filter aktivieren, die den Benutzern sonst nicht zugänglich sind, wenn das System einen Bedarf erkennt.