现代电子商务搜索栏不仅仅是一个输入字段。它是一个互动式动态助理,可在用户完成输入文字之前引导他们找到合适的产品。这种边输入边搜索 (SAYT) 体验可实时显示搜索查询建议、热门品牌、相关类别,甚至热门商品搜索结果,从而提高用户互动度并增加转化可能性。
虽然 Vertex AI Search for Commerce 为查询自动补全和产品搜索提供了不同的 API,但它有意让 SAYT 用户体验的最终实现保持开放式。
本指南介绍了如何使用 Vertex AI Search 商务解决方案构建应用,探讨了两种主要的设计模式,以使用 Vertex AI Search 商务解决方案 API 实现强大的 SAYT widget,并详细说明了每种方法的优缺点。
了解核心组件
如需构建全面的 SAYT 功能,您需要了解 Vertex AI Search for Commerce 提供的两个基本 API:
CompleteQuery
API:这是自动补全建议背后的智能技术。- 功能:针对给定的输入字符串(例如 lipst),返回建议的查询补全列表,其中包括 lipstick 和 lip gloss、相关热门品牌和相关类别。
- 费用:此 API 包含在 Vertex AI Search for Commerce 套餐价格中。
- 性能:这是一款高吞吐量 API,旨在提供按键输入体验所需的快速、低延迟响应。它利用自动学习功能(包括旨在产生结果的拼写更正和建议),所有这些功能都基于您商店的每日搜索事件进行训练。
Search
API:这是您的核心商品发现引擎。- 函数:针对给定的查询,返回相关商品结果的排名列表。
- 费用:这是一项付费 API,其用量会直接影响您的运营费用。
- 事件:为了进行模型训练和分析,每次
Search
API 调用最好都与搜索事件配对,以便跟踪用户行为并随着时间的推移改进相关性模型。
如需创建 SAYT 体验,您必须编写一个封装容器 API 或前端逻辑,用于同时调用这两个 API 并将它们的结果合并到一个连贯的用户界面中。
实现模式 1:直接但成本较高的方法
这是最直接的实现方法。该逻辑是,每当您按下一个键时,都会同时调用 CompleteQuery
和 Search
API。
流程
此流程遵循以下顺序:
- 用户输入一个字符,例如 l。
- 您的应用会向
CompleteQuery
API 发送 l。 - 同时,您的应用会向
Search
API 发送 l。 - 系统会合并结果并显示。
- 用户输入另一个字符(l),使查询变为 li。
- 针对新查询 li. 重复此过程。
优点
其优势包括实现速度快,可让您快速编写和部署日志。
缺点
Search
API 调用量高:此方法会大幅增加Search
API 调用次数。像 lipstick 这样的查询会触发 8 个单独的搜索请求,从而导致搜索量大幅增加。- 成本增加:由于
Search
API 是一项付费服务,因此这种高用量会直接转化为更高的运营成本,从而难以实现正投资回报率 (ROI)。 - 事件管理复杂性:每次
Search
API 调用都应记录相应的搜索事件,以便进行准确的模型训练和效果衡量。大量调用使得难以确保捕获每个事件,这可能会导致数据丢失和分析结果有偏差。 - 可能导致结果质量下降:搜索一个或两个字符(例如 l、li)可能会返回杂乱或过于宽泛的结果,从而导致初始体验不太相关。
实现模式 2:优化后的推荐方法
此模式通过使用 CompleteQuery
API 智能地决定何时调用 Search
API,从而优化成本、性能和相关性。
流程
此流程遵循以下顺序:
- 用户输入部分文本查询,例如 lip.。
- 您的应用会向
CompleteQuery
API 发送 lip。 - API 会返回建议列表,其中 lipstick 可能是第一个结果。
- 您的应用接受第一个建议 (lipstick),并使用该字词对
Search
API 进行一次调用。 - 系统会显示“口红”的自动补全建议和商品搜索结果。
- 随着用户继续输入 lips、lipst...,您可以添加逻辑,以便仅在第一个自动补全建议发生变化时才发出新的搜索调用。
优点
- 显著降低费用:通过大幅减少
Search
API 调用次数,此方法可有效控制费用。 - 可控的 API 和事件量:API 和事件量可管理且可预测,从而确保模型训练和分析的数据更加可靠。
- 相关性更高:您搜索的字词更完整、更可能,因此 SAYT widget 中会显示质量更高的商品结果。
- 更高的投资回报率:更低的费用和更好的用户体验有助于提高投资回报率。
处理边缘情况
此方法更胜一筹,但需要处理一些临界情况:
- 无建议:如果
CompleteQuery
API 未返回任何建议,您的逻辑应回退到使用用户的原始输入调用Search
API。 - 部分查询与建议查询:在极少数情况下,用户可能希望看到部分字词(例如 eye)的结果,而不是热门建议(例如 eye shadow)。虽然这是一种小小的权衡,但优化后的方法会优先考虑最有可能的用户意图。
使用实验 ID 衡量成效
无论您选择哪种实现方式,都必须单独衡量 SAYT widget 的效果,而不是与主要搜索结果网页一起衡量。如果您对两者使用相同的跟踪方式,则无法确定“搜索时显示建议”功能是否确实提高了点击率和转化次数。
若要衡量 SAYT widget 的点击率和对话率,一种解决方案是在搜索事件中使用不同的 experimentIds
,以将这些指标与主要搜索事件的指标区分开来。
- SAYT 事件:为源自边搜边显功能的全部搜索事件分配特定 ID,例如
"experimentId": "sayt-widget"
。 - 主要搜索事件:对于用户按 Enter 键或点击搜索以转到主要搜索结果页时发起的搜索,请使用其他 ID(或不使用 ID)。
通过这种方式细分事件,您可以使用 Vertex AI 控制台中的分析信息中心来过滤和比较 SAYT widget 与标准搜索体验的性能,从而获得清晰且可据以采取行动的分析洞见。
总结
Vertex AI Search 商务解决方案提供用于创建边输入边搜索体验的组件。通过充当设计 CompleteQuery
和 Search
API 之间互动的架构师,您可以构建在用户体验和性能之间架起桥梁的搜索功能。在大多数使用情形下,优化后的方法可提供与用户相关的体验,同时避免执行计算密集型操作。