隨著大模型技術(shù)的飛速發(fā)展，傳統(tǒng)搜索引擎的搜索體驗正面臨前所未有的挑戰(zhàn)。本文深入探討了傳統(tǒng)搜索引擎在搜索前、搜索中和搜索后三個階段的策略、算法以及潛在問題，并分析了大模型如何通過生成和推理能力優(yōu)化搜索結(jié)果。

不知道是否有人跟我一樣有過這樣的抓狂時刻？打開搜索引擎輸入關(guān)鍵詞，廣告和標(biāo)題黨撲面而來；搜索長句翻了好幾頁也找不到想找的內(nèi)容，好不容易找到一篇攻略，點開是十年前的古早帖……傳統(tǒng)搜索引擎消磨著人們的耐心。相比之下DeepSeek好像更能在模糊問題描述中找到要搜索的真實意圖，也能條理清晰的給出答案，省去了很多人適應(yīng)機器去試關(guān)鍵詞的過程。也有很多想買搜索廣告的商家會擔(dān)心，未來買不了關(guān)鍵字，是不是也影響了自己的獲客？

傳統(tǒng)搜索簡單介紹

傳統(tǒng)搜索引擎為什么“不好用”了？從大多數(shù)的搜索產(chǎn)品共性上做簡單介紹。

搜索前（還沒搜詞）

目的：引導(dǎo)用戶使用搜索

功能：搜索框，含滾動的底紋詞；內(nèi)容描述標(biāo)簽、話題引導(dǎo)；瀏覽后推薦關(guān)鍵詞；語音搜索；拍照上傳搜索

策略：

1. 擴大入口，在產(chǎn)品上其他模塊增加搜索入口。
2. 降低難度，不打字就語音或圖片。
3. 意圖引導(dǎo)，會提煉用戶在站內(nèi)有過交互行為的內(nèi)容，轉(zhuǎn)成關(guān)鍵詞再露給用戶。

算法簡述

1. 熱度排行榜，選出普世高熱詞。按單一或多維度排序，如a*搜次數(shù)+b*播放次數(shù)+…，并通過牛頓冷卻定律等對詞熱度衰減。
2. 關(guān)聯(lián)推薦，選出與用戶行為相關(guān)的詞，比如用戶剛看了李誕的視頻，搜索底紋會出現(xiàn)“李誕小賣部”。通常會使用同時看了這個視頻的人還看了什么視頻，或者還搜了什么詞等頻繁項集來得出。（要舉例的話就經(jīng)典的那個啤酒和尿布濕）

潛在問題：搜索入口很多為 如#邊牧#此類標(biāo)簽引導(dǎo)，對應(yīng)的是一個名詞還是一個話題，或傾向于哪個，多是產(chǎn)品規(guī)則。

診斷指標(biāo)：標(biāo)簽引導(dǎo)詞對應(yīng)搜索結(jié)果點擊量、有點比。

搜索中（正在搜詞）

目的：標(biāo)準(zhǔn)化搜索詞和挽留用戶

功能：搜索聯(lián)想，熱門搜索詞推薦，猜你想搜，歷史搜索詞，分模塊搜索詞。

策略：

1. 標(biāo)準(zhǔn)化。拼音聯(lián)想、關(guān)鍵詞補齊、關(guān)聯(lián)詞推薦等，都是為了把用戶可能要輸入的詞轉(zhuǎn)化成可對應(yīng)產(chǎn)生搜索結(jié)果的標(biāo)準(zhǔn)化詞；
2. 明確意圖。比如搜“奧本海默”是想看書還是電影，會引導(dǎo)用戶到對應(yīng)模塊，縮小搜索結(jié)果范圍。同時會根據(jù)詞本身是名詞實詞、品牌詞、形容詞等識別和拆分；
3. 留住用戶。當(dāng)用戶不知道搜什么的時候，有熱詞引導(dǎo)用戶試一試功能。

算法簡述：

1. 排行榜和猜你喜歡等原理同前。
2. 對搜索詞補全、糾錯改寫、候選詞關(guān)聯(lián)，一般使用前綴樹、編輯距離、n-gram模型等解決相關(guān)語義詞。舉例來說，當(dāng)用戶輸入”googl”,前綴樹返回”googlie”, “googler”, “google”，如果輸入的是”googel”會由編輯距離更改為”google”，之后會根據(jù)常出現(xiàn)的詞匯組合關(guān)聯(lián)出”google map”等短語。

潛在問題

1. 意圖識別困境：比如“藍(lán)海豚”對應(yīng)的是比亞迪海豚型號車、藍(lán)海豚牌玻璃水、藍(lán)色的海豚動物、藍(lán)色的海豚玩具等等，當(dāng)有多重含義時會出現(xiàn)理解差別，所對應(yīng)搜索結(jié)果會千差萬別。
2. 策略不能兼顧：在實詞比如“邊牧”搜之后，關(guān)聯(lián)搜索詞出“薩摩耶”、還是細(xì)化搜索詞“邊牧拆家”，在關(guān)聯(lián)詞和詞匯補全上需要做平衡。
3. 診斷指標(biāo)：換query率，有點比。

搜索后（搜索結(jié)果）

目的：準(zhǔn)確命中用戶期待搜索結(jié)果

功能：搜索結(jié)果（多種承載形式混排），搜索導(dǎo)航欄，搜索篩選項，相關(guān)搜索詞推薦

策略：

1. 相關(guān)和準(zhǔn)確。最基本要求，搜索詞和搜索結(jié)果是高度相關(guān)的；
2. 權(quán)威性。官方或者質(zhì)量高內(nèi)容排在前邊；
3. 多樣化。形式、來源、品牌、封面等等交替出現(xiàn)，避免一眼看去全相同；
4. 個性化。根據(jù)用戶歷史偏好展示結(jié)果，把用戶最可能點擊的內(nèi)容排前面。

算法簡述

1. 結(jié)果頁排序算法通常是平衡多目標(biāo)的加權(quán)結(jié)果，比如，排序得分=相關(guān)性得分×0.5 + 點擊率×0.3 + 時效性×0.1+權(quán)威性*0.1（示例），但最基本保證是最相關(guān)內(nèi)容排在前邊；
2. 相關(guān)算法包含從TF-IDF到BM25再到PageRank，主要依賴的是搜索詞與結(jié)果候選集（標(biāo)題、正文）的詞相關(guān)性；
3. 點擊率排序算法如LambdaMART，會根據(jù)一個搜索詞對應(yīng)的返回內(nèi)容的點擊反饋找到點擊率較高的，同樣一個搜索詞會根據(jù)用戶瀏覽、收藏等內(nèi)容的不同，給出每個人個性化的排序。

潛在問題

1. 多種形式混排：比如“藍(lán)海豚”對應(yīng)結(jié)果是商品、卡通圖片、海豚百科等交叉出現(xiàn)；
2. 長尾詞對應(yīng)結(jié)果偏差大。比如“十和田溫泉”出現(xiàn)旅游攻略，但關(guān)聯(lián)搜索詞確是“長春溫泉排名第一”，“吉林省溫泉那里最好”等和地名無關(guān)內(nèi)容；
3. 復(fù)雜意圖難理解：比如搜索“給孩子買既能學(xué)編程又能防止沉迷的手機”，其結(jié)果會對應(yīng)“孩子或?qū)W生手機”和“防沉迷”和“小孩編程”這些詞，從而會有學(xué)習(xí)機、防沉迷攻略、編程課程等對應(yīng)結(jié)果。

診斷指標(biāo)：換query率，無結(jié)果率，有點比，CTR，CVR，OPMs。

由于搜索引擎基于分詞召回排序，有個性化但搜索詞和對應(yīng)內(nèi)容相關(guān)性權(quán)重更高。有趣的是，當(dāng)我問Deep Seek如何搜索才能更準(zhǔn)確時，得到反饋：”核心概念 + 對比維度 + 數(shù)據(jù)載體關(guān)鍵詞 + 時效限定”，從另一個角度能解釋大模型是如何來思考的，以及為什么它給的反饋會驚艷（大多時候）。

如果更容易被搜到

基于此，傳統(tǒng)搜索可以通過優(yōu)化關(guān)鍵詞以及內(nèi)容對應(yīng)關(guān)鍵詞組的方式優(yōu)化排名。從兩個角度優(yōu)化搜索：

關(guān)鍵詞優(yōu)化

希望達(dá)到：

①用戶可以主動去搜；

②關(guān)鍵詞完整度優(yōu)化。

可行方法：

• 垂直。積少成多地將標(biāo)簽、標(biāo)題、文章段落中都帶有關(guān)鍵字，讓內(nèi)容更垂直。由于搜索詞是用戶主動輸入，因此搜索詞里存在大量長尾詞，若是一個非熱門詞，不買量情況下很難在底紋或者熱搜推薦中出來。（所以才會有買熱搜詞的操作）
• 關(guān)鍵詞細(xì)化。上文說過搜索詞會根據(jù)前綴樹聯(lián)想補齊后邊的詞，因此可就此優(yōu)化，比如“酒店” ，就可以補充“地點+酒店+特色”，舉例來說：在某書上，搜“三亞酒店推薦”52w+筆記，搜“三亞酒店親子”39w+筆記，搜“三亞酒店沖浪”8w+筆記，這時根據(jù)不同酒店功能和風(fēng)格來補齊詞匯更容易在準(zhǔn)確的候選范圍內(nèi)脫穎而出，假如標(biāo)簽都打上“三亞酒店推薦”，就相當(dāng)于同52w+的候選集競爭，雖然詞是個熱搜詞匯，但能否真的在前幾屏出現(xiàn)就不得而知了。
• 關(guān)聯(lián)詞匯。在猜你想搜里經(jīng)常會出現(xiàn)關(guān)聯(lián)詞匯，比如搜過“海豚”，那猜你想搜可能出現(xiàn)“海豹”。
• 生成專屬詞。這里就需要提到互動反饋了。比如“綠恐龍”原本是一個“形容詞+名詞”的詞組，搜索時會語義找到最相近的內(nèi)容，但如果每次在搜索后該詞后，都點“綠色恐龍玩偶”這個商品，再加上有購買，那么該關(guān)鍵詞再搜索時會把綠色恐龍玩偶排在前邊。這也就可以理解為什么很多護膚品都“黑繃帶”，“小白瓶”這類外號，一方面好傳播，另外也構(gòu)建了這個商品的獨特性。

優(yōu)化關(guān)鍵詞和正文內(nèi)容匹配

希望達(dá)到：

①盡可能被準(zhǔn)確關(guān)鍵詞快速搜出來；

②覆蓋面更廣可獲得更多流量。

可行方法：

• 內(nèi)容優(yōu)質(zhì)。不管再怎么對標(biāo)簽標(biāo)題等優(yōu)化，最核心的還是內(nèi)容質(zhì)量高。一方面權(quán)威性考慮品牌詞對應(yīng)的官網(wǎng)內(nèi)容會排在前邊，另一方面要注意內(nèi)容垂直度和統(tǒng)一性，舉例來說，假如一篇親子教育的文章或視頻為了蹭熱度打上”山東大雪“這類熱詞，題文不符是不會被推出來的。
• 有效突出關(guān)鍵詞。不管是寫筆記還是拍視頻都會對內(nèi)容構(gòu)思拆解，包括主題詞、對主題的界定和描述、要解決的問題、作用功效、優(yōu)缺點等等。這些就可以簡單提煉為”形容詞&主題詞“、”主題詞&作用“，”主題詞&目的“，或者上卷一層”大分類&主題詞“等。當(dāng)然這也是基于全文總結(jié)的標(biāo)簽，而不是生加上的無關(guān)詞匯。
• 互動反饋。優(yōu)質(zhì)內(nèi)容通常會獲得較好的瀏覽閱讀、點贊、收藏、評論、分享、購買等，搜索排序時會參考ctr、cvr等互動反饋結(jié)果。

以上是對搜索引擎有了一定了解后，對哪些內(nèi)容容易被搜出來做了一些說明（其實也只是皮毛，實際比這復(fù)雜得多）。而回到文章最開頭，既然有了Deep Seek，且回答的內(nèi)容完整驚艷，是不是可以解決搜索“不好用”的困境？

那再從大模型的兩個核心作用來看：生成和推理

因此可知，當(dāng)我們想問一個封閉且需要準(zhǔn)確邏輯支撐的問題，比如解一道數(shù)學(xué)題，大模型先推理再生成答案；當(dāng)我們問一個探索性創(chuàng)意的問題，比如如何生成一段文案，是先生成，再推理驗證其品牌調(diào)性、侵權(quán)風(fēng)險、調(diào)整關(guān)鍵詞等；如果更復(fù)雜的，進行一個法律合同審核，會是如下過程：

A[原始合同] –生成候選修改–> B{{是否存在條款沖突？}}

B –是–> C[推理沖突來源] –生成修正建議–> D[更新條款]

B –否–> E[生成最終版本]

D –> A

（此處生成和推理的解釋由Deep Seek返回內(nèi)容整理而成）

有大模型加持下的搜索

如果把大模型的生成和推理結(jié)合搜索來看（其實大模型在搜索推薦里已有廣泛的應(yīng)用）：

• 可為文章、視頻、圖片等生成標(biāo)簽、標(biāo)題，可能比自己打的標(biāo)簽更加精準(zhǔn)，比如一張貓咪打哈欠的照片，自動匹配的標(biāo)簽為”貓咪日常” “憨憨的小貓咪”，理想情況下都不需要人工去找熱詞標(biāo)簽，會自動匹配熱搜增長快的標(biāo)簽，同樣對搜索”貓咪日?！皝碚f，也會計算找到最匹配的內(nèi)容。
• 多模態(tài)搜索結(jié)果形式優(yōu)化。大模型也可幫助解決傳統(tǒng)文字、圖片、視頻、直播不同內(nèi)容形式定坑位出現(xiàn)在搜索結(jié)果?？赏ㄟ^意圖識別明確是想搜索科普解釋還是購物，對應(yīng)給出更適合的結(jié)果形式。
• 增強實時反饋。過往是基于用戶歷史瀏覽收藏等映射到內(nèi)容的標(biāo)簽，再加上用戶自身的人口屬性標(biāo)簽進行個性化結(jié)果反饋。大模型下可先識別用戶歷史瀏覽過的內(nèi)容，再根據(jù)所有內(nèi)容推斷出用戶感興趣主題和形式，可能還會生成用戶更期待的新的內(nèi)容，再去找到對應(yīng)候選，而這些候選集在傳統(tǒng)檢索里有可能都不被找回，或者因為別的理由召回排序不能靠前。

如果進一步思考：

• 如果一個人搜索“推薦山西旅游攻略”，之后搜索詞可推薦“山西適合親子游的酒店”，推理和生成用戶接下來可能會查找的詞。
• 搜索完之后，甚至直接可展現(xiàn)通過機票酒店的API接入的訂票功能。
• 在選擇酒店有的人喜歡官方視角的視頻、有些人喜歡用戶視角的體驗視頻、也有些人不喜歡看視頻而習(xí)慣看圖片，都可根據(jù)用戶偏好生成。

其實，未來搜索更可能是一個私人助手，夠聰明、夠高效地解決問題，把人花在檢索和選擇決策上的無用時間縮短。這時人可能會有更多時間找到真正的生活意義。