В екоме поиск по товарам — ключевой элемент навигации, особенно если в каталоге сотни тысяч или миллионов SKU.
Клиенты могут использовать поиск по-разному. Иногда пользователи ищут нужный товар по параметрам («iphone 16 pro титаниум»), а иногда задают вопросы на человеческом языке («газонокосилка для маленького участка 2 сотки»).
Векторный поиск строит из пользовательского запроса математический вектор и ищет в базе векторов, созданных при обработке данных по каждому из товаров, наиболее близкую «фигуру». Это чем-то напоминает то, как наш мозг распознает лица. И, как правило, векторный поиск работает с применением технологий ИИ.
* * *
Поиск по ключевым словам вполне может дать нулевой результат, а вот векторный — всегда выдаст хоть что-нибудь: обязательно найдется вектор, который ближе к искомому, чем все остальные. Другое дело, что с точки зрения человеческого мышления это могут быть абсолютно нерелевантные результаты. И это отдельная задача для разработчиков поиска — подбор максимального расстояния между векторами (косинусной близости) так, чтобы клиенты действительно считали товары в выдаче подходящими.
Гораздо более сложной задачей векторного поиска в екоме является эмбеддинг, то есть сам принцип получения векторов из товарных данных и запросов.
И, наконец, крайне важна гибкая настройка между выдачей по векторам и ключевым словам.
В Ensi Cloud Search это можно тонко регулировать.
Клиенты могут использовать поиск по-разному. Иногда пользователи ищут нужный товар по параметрам («iphone 16 pro титаниум»), а иногда задают вопросы на человеческом языке («газонокосилка для маленького участка 2 сотки»).
Векторный поиск строит из пользовательского запроса математический вектор и ищет в базе векторов, созданных при обработке данных по каждому из товаров, наиболее близкую «фигуру». Это чем-то напоминает то, как наш мозг распознает лица. И, как правило, векторный поиск работает с применением технологий ИИ.
* * *
Поиск по ключевым словам вполне может дать нулевой результат, а вот векторный — всегда выдаст хоть что-нибудь: обязательно найдется вектор, который ближе к искомому, чем все остальные. Другое дело, что с точки зрения человеческого мышления это могут быть абсолютно нерелевантные результаты. И это отдельная задача для разработчиков поиска — подбор максимального расстояния между векторами (косинусной близости) так, чтобы клиенты действительно считали товары в выдаче подходящими.
Гораздо более сложной задачей векторного поиска в екоме является эмбеддинг, то есть сам принцип получения векторов из товарных данных и запросов.
И, наконец, крайне важна гибкая настройка между выдачей по векторам и ключевым словам.
В Ensi Cloud Search это можно тонко регулировать.
