ctr|推荐策略产品经理实操（三）：推荐系统与搜索系统的区别——整体逻辑流程对比( 四 )

业界没有固定的评价标准，只有不同业务直接自己划分的分类进行的模型分类准确率计算，而一些业务指标例如ctr、cvr、pv等指标，都是评价整个搜索系统的，具体到意图识别上的量化指标却没有。

3）query分词
query分词主要是对用户搜索词进行切分，根据切分的词去进行改写以及后续的召回逻辑，不同业务的切词方式及自由切词库是有差异的。
4）query改写
这一步主要是针对用户搜索词进行纠错、以及同义词扩展召回等。需要做纠错词表或纠错模型，例如将“火才人”纠错为“火柴人”，将“超级猫丽奥”纠错为“超级马里奥”，将“校园”扩展为“学校”、“老师”、“教室”、“同桌”等等，同义词扩展里面会存在一些干扰词，需要根据实际业务对头部搜索词的同义词进行自定义切词表或自定义同义词表等。
三、推荐和搜索的区别从上述对推荐系统和搜索系统的整体流程的讲述可以看出，推荐和搜索既有紧密联系，又有不小的差异。
1. 行为主动或被动本质问题本质解，搜索和推荐都是为了解决信息过载问题，都是获取信息的方式之一，一个主动获取——搜索，一个被动获取——推荐：推荐行为是被动的，需求不是很明确，个性化和多样性会多一些，而搜索的需求是主动和相对明确的，且查询范围相对较小。
2. 使用场景目的推荐的本质是需要留住用户在APP中，让用户使用的时间变长，并且第二天也能留住用户，逐渐产生广告收益和其他收益，让用户消费更多，需要通过分析用户的历史行为以及当前的实时行为场景等，推荐系统自发生成查询条件快速给出推荐列表的行为，是一种无声的搜索。
而搜索更像张小龙早期口中的微信，需要用完即走，搜索的本质是协助用户快速找到自己需要的结果并完成转化离开。我理解，好的搜索算法需要做的是让用户快速使用，高效查询并且停留时间更短。
3. 是互相成就从流程来看，搜索就是限定了条件的推荐，推荐就是自发的主动搜索；从用户query中可以收集到大量个性化推荐的需求，推荐数据可以推荐用户搜索内容的相似内容，进行数据融合，而当用户搜索目的不明确时使用好的推荐，结合意图识别和推荐模型，实现类目下的更精准推荐，是提升用户体验的手段。
以上就是我对推荐和搜索场景在实际项目中的逻辑梳理，如果有感兴趣的同学，欢迎私聊。
加油，打工人！
本文由 @王九蛋原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议。