Warum Query Routing die neue Grenze der Onsite-Suche ist

Die Suche wird immer komplizierter und Lösungen für ein Problem lösen nicht unbedingt andere. Hier erfahren Sie, wie das Query Routing hilft.

Eine großartige Lösung für ein Problem ist keine Garantie dafür, dass sie auch ein anderes lösen kann. Das ist keine weltbewegende Logik, aber in der Welt der Suche ist dieses Konzept äußerst wichtig – und wird nicht immer berücksichtigt.

Techniken des maschinellen Lernens lösen einige der grundlegendsten Probleme der E-Commerce-Suche (z.B. das alte Problem, dass die relevantesten Dinge ganz unten auf der Seite zu finden sind), aber verschiedene Plattformen gehen mit bestimmten Problemen gut und mit anderen eher schlecht um. Anbieter A ist gut in diesem Bereich, Anbieter B ist gut in jenem, Anbieter C spielt hier besser, Anbieter D glänzt dort. Wenn die Relevanz der Suche geklärt ist, warum ist dann die Qualität bei den verschiedenen Anbietern so uneinheitlich?

Modelle in den Mittelpunkt stellen

Die Modelle, die Daten, die für ihr Training zur Verfügung stehen, und der Einfallsreichtum, der hinter der Methodik des Modelltrainings steht, sind dabei von entscheidender Bedeutung. Jeder Anbieter in diesem Bereich verfolgt einen bestimmten proprietären Ansatz für das Training seiner maschinellen Lernmodelle. Das macht Sinn. Die Annahmen in diesen Modellen oder diese Trainingsansätze bestimmen zu einem großen Teil die Ergebnisse ihrer Kunden. Der Vorteil von Lucidworks besteht darin, dass die Modelle und Trainingsansätze bereits im Lieferumfang enthalten sind, aber mit Kundenmodellen, 1st-Party-Daten und neuartigen Trainingsansätzen überschrieben werden können. Dadurch erhält der E-Commerce-Kunde im Grunde viel mehr Macht, aber er erhält auch die beste Beratung und die am besten trainierten Modelle, wenn er nicht über fundierte Datenkenntnisse verfügt.

Wenn wir all dies als „ML-Strategie für die Produktentdeckung“ bezeichnen, dann glaube ich, dass die ML-Strategie für die Produktentdeckung zumindest ein wesentlicher Bestandteil (wenn nicht sogar der wesentliche Bestandteil) im Arsenal des geistigen Eigentums jedes Unternehmens – Marke, Hersteller, Einzelhändler oder Distributor – wird, das Produkte online verkauft.

Ich erschaudere, wenn ich höre, dass Unternehmen mit einem Online-Umsatz von unter 10 Milliarden Dollar ihre eigene Suchinfrastruktur aufbauen. Was für eine Geldverschwendung, wenn Sie dieses Geld in etwas Interessanteres und letztlich strategisch Wertvolleres investieren könnten, wie z.B. in ein brillantes Data-Science-Team, das intern eine proprietäre Modellierungsmethode entwickelt.

Einzelhändler mit einer großen Anzahl von Produkten, Abteilungen, Geschäften und Multi-Channel-Touchpoints werden von Lucidworks und den Modellen, die wir in Fusion anbieten, mit der nötigen Raffinesse behandelt. Mit anderen Worten, die Onsite-Suche könnte viel profitabler werden, indem sie sich auf die schwierigeren Probleme konzentriert, die die Konversion, den AOV, die Markentreue und so weiter steigern.

Abfrage-Routing eingeben

Das Query Routing geht von der Idee aus, dass es mehrere Meinungen über die Bedeutung einer Abfrage oder sogar mehrere Meinungen über die Bedeutung nur eines Teils einer Abfrage geben kann. Beim Browsen ist die Relevanz eher schwarz-weiß. Wenn Sie jedoch eine Kundenanfrage kategorisieren, gibt es relevante und irrelevante Ergebnisse.

Im Zusammenhang mit der Suche werden die Dinge ein wenig einzigartig. Menschen verwenden bestimmte Wörter und Ausdrücke, um das zu finden, wonach sie suchen. Wir können uns dann vorstellen, dass der Suchindex in relevante und irrelevante Ergebnisse unterteilt ist, aber eigentlich ist es etwas komplizierter als das – denn der Benutzer kann nach allem Möglichen suchen. Ein Nutzer kann zum Beispiel nach einem „eisenfreien Multivitaminpräparat“ suchen, aber da er diese spezifischen Wörter bereits verwendet hat, werden möglicherweise Vitamine mit Eisen angezeigt, obwohl das nicht die ursprüngliche Absicht der Anfrage war.

Der Kontext der zurückgegebenen Abfragen kann in vier Kategorien eingeteilt werden:

1. Echte Positive sind die Dinge, die die Suchmaschine zurückgegeben hat und die zurückgegeben werden sollten
2. Falschmeldungen sind die Dinge, die die Suchmaschine zurückgegeben hat und die falsch sind
3. Falsch-negative Ergebnisse sind die Dinge, die hätten gemeldet werden sollen, aber nicht gemeldet wurden.
4. Echte Negative sind die Dinge, die nicht zurückgegeben wurden, die aber korrekt ausgelassen wurden.

Das Ziel des Query Routing ist es, sowohl falsch-positive als auch falsch-negative Ergebnisse bei der Beantwortung einer Suchanfrage zu reduzieren. Eine effektive Weiterleitung von Suchanfragen minimiert nicht nur die Möglichkeit, dass irrelevante Informationen zurückgegeben werden, sondern verhindert auch, dass die Suche abprallt und die Annahme entsteht, dass Sie nicht das haben, wonach der Verbraucher sucht. Alle Boote steigen auf.

Die Rolle von Daten, Signalen und semantischer Suche

Genau wie die verschiedenen Data-Science-Ansätze der Anbieter verfügen auch die verschiedenen Handelsunternehmen über unterschiedliche Daten, die für die Lösung bestimmter Abfragen nützlich sind, für andere jedoch nicht. Kunden stellen eine perfekt formulierte Suchanfrage auf einer Handelswebsite und erhalten genau die Ergebnisse, die sie suchen. Dann verwenden sie dieselbe Suchanfrage auf einer anderen Handelswebsite und erhalten am Ende keine Ergebnisse.

Wie lösen wir also dieses Problem? Wir haben den Ansatz gewählt, Suchanfragen mit einer neuartigen Methode zu interpretieren, der semantischen Vektorsuche. Mithilfe eines KI-gesteuerten Ansatzes gewinnen die maschinellen Lernmodelle Erkenntnisse aus gesammelten Verbrauchersignalen. Anhand dieser gesammelten Signale lernt das Modell, wie es Produkte und Suchanfragen auf der Grundlage ihrer Ähnlichkeiten zueinander einordnen kann – im Verhältnis zu den übrigen Informationen, die Ihnen vorliegen. Es nutzt das Ziel oder die Absicht Ihres Kunden, um weitere Produkte zu finden, die mit der ursprünglichen Anfrage in Zusammenhang stehen könnten.

Routing-Abfragen können für die konzeptspezifische Verarbeitung verwendet werden. Diese Konzepte können mit verschiedenen Modellen oder einer Logik zur Normalisierung von Konzept-Erwähnungen verknüpft werden. Mehrdeutige Abfragen können durch Modelle geleitet werden, die auf das Verhalten von Käufern trainiert wurden.

Wie Fusion die Weiterleitung von Abfragen ermöglicht und rationalisiert

Mit den Abfrage-Pipeline-Stufen von Fusion können Kunden benutzerdefinierte Aufrufe an eine Reihe von verschiedenen Quellen für eine Reihe von Antworten erstellen. Nehmen wir an, Sie betreiben eine Website für Sportbekleidung. Eine einfache Abfrage nach ‚Shorts‘ würde leicht die erwarteten Ergebnisse von einem Modell liefern. Eine Abfrage nach „Shorts, die gut zu einem blauen Hemd passen“ könnte für das ursprüngliche Modell eine größere Herausforderung darstellen, aber ein komplexes Modell, das von der kürzlich eingeführten Google Einzelhandelssuche ausgeführt wird, wäre in der Lage, dies zu lösen. Vielleicht gibt es sogar andere Modelle, die noch bessere Ergebnisse liefern! Werfen wir einen Blick darauf, wie Fusion Anfragen an mehrere Modelle weiterleiten kann, um diese komplexen Probleme zu lösen.

Fusion gibt Ihnen die Flexibilität, Produktkataloge und Signaldaten zu orchestrieren und an Google Retail Search, Fusion oder andere Modelldienste wie AWS, Bing oder Milvus weiterzuleiten. Wenn ein Benutzer eine komplexe Abfrage stellt, leiten benutzerdefinierte SDK-Abfrage-Pipelinestufen die Abfrage selektiv an mehrere eingerichtete Modelle weiter. Die Ergebnisse werden gesammelt und innerhalb des Kontextobjekts bewertet. Die Ergebnisse werden gesammelt und im Kontextobjekt bewertet. Boost-Scores werden auf die Abfrageantworten der einzelnen Modelle angewandt und anhand dieser Boost-Scores gewichtet. Fusion sortiert die Ergebnisse auf der Grundlage dieser gewichteten Relevanz und gibt dann die am höchsten bewertete Antwort an den Endbenutzer zurück. Da die Abfrage auf mehrere Modelle angewendet wurde, werden die besten Ergebnisse zurückgegeben, die nahtlos mit der Benutzerabfrage übereinstimmen.

Die Benutzer können dann die zusätzlichen Funktionen von Fusion nutzen, z. B. Experimente, Geschäftsregeln oder Predictive Merchandiser, um die Relevanz von Suchanfragen zu optimieren und ihre Suche auf die nächste Stufe zu heben.

Das Ergebnis dieser benutzerdefinierten Pipelines ist eine optimal konstruierte Abfrage, die die Präzision und Relevanz einer regulären lexikalischen Fusion-Abfrage-Pipeline und die Präzision von Vektorsuch-Pipelines verbessert. Fusion glänzt bei Abfragen im Stil von Schlüsselwörtern und liefert direkt Ergebnisse mit Attributen, die den in der Abfrage gefundenen entsprechen. Außerdem erkennt Fusion Rechtschreibfehler (z.B. flanel vs. flannel), während Google Retail Search im Falle eines Rechtschreibfehlers oft nichts liefert. Die architektonische Flexibilität von Fusion, mehrere Modelle zu konsultieren, unterscheidet Lucidworks auf einzigartige Weise von den anderen Suchplattformen, die es gibt. Bei der Rückgabe von Ergebnissen an den Endbenutzer muss die Heterogenität der Art und Weise, wie wir Meinungen zu Suchanfragen einholen, vielfältig sein.

Query Routing kann ein außergewöhnliches Verständnis von Abfragen in unsicheren Szenarien bieten. Indem wir uns auf das Ziel des Benutzers konzentrieren und die Abfrage gegen mehrere Modelle laufen lassen, können wir bessere Ergebnisse erzielen, die Kunden mit den gewünschten Produkten und Informationen verbinden. Wenn Sie wissen möchten, wie Lucidworks diese Funktionalität für Ihre Marke bereitstellen kann, setzen Sie sich bitte mit uns in Verbindung.