跟踪策略产品必读系列-第二讲电商跟踪召回

并不一定辨认有三个极为最主要的问题：

1）并不一定辨认紧接全依赖该最新版

对于并不一定该最新版当中不依赖于的并不一定该词辨认不用。比如使用者抓合“苹果电脑”，如果“苹果电脑”这个该词根本不但会被并不一定该最新版所收集，那么我们的方式中也就辨认不了“苹果电脑”到底是值得一提的是什么并不一定？这就和人类研习一个新该本字词一样，必须要有人教我们这个新该本字词到底是什么意思，不然我们不会瞎猜。

2）并不一定辨认不用的该词如何展开处理

对于并不一定辨认不用的该词，一般我们也不是同样显然，而是将这类该词打上一个“OTHER”的并不一定，用“OTHER”来表示它，也但会继续进入解任过渡期；还有一种方式则就是“瞎猜“，就和人类研习新该本字词，我可以瞎猜一下它的意思。

当然计算机不是瞎猜，一般前提我们是但会对历史所有的并不一定该词展开分类法，重构一个分类法政治体制，然后基于历史信息体能训练一个分类法数学模型，当一个全新的该词进入时，我们就但会通过该分类法数学模型去预测，这个新该词应该是统称哪个分类法前面。

3）并不一定依赖于多并不一定如何处理

如果是单个并不一定Query，此时并不一定辨认出来多并不一定是充分的，比如使用者抓合“苹果电脑”，它既也许是“Brand”，也也许是“SPU”，二者都依赖于也许性，所以并不一定辨认出来的再次结果就是多并不一定。但是对于“苹果电脑手机”，我们就不会认为“苹果电脑”既是“SPU”又是“Brand”，因为联结后面的并不一定“手机”，这里的“苹果电脑”不会是Brand。

所以在多并不一定Query当中，我们一般每个并不一定只合一个并不一定，如果某个该词依赖于多并不一定，此时我们但会通过数学模型去计算每个并不一定的均值，然后合最高均值的那个并不一定。

经过并不一定辨认后，我们须要再对Query展开编写：

1）同义该词编写

很多并不一定该词是依赖于紧接全一样的同义该词，所以解任时我们也须要将同义该词作为解任必需。比如“小番茄”和“圣女果”，“大蒜”和“茴香”。

2）近义该词编写

很多该词密切关系并不是紧接全相同，二者也不是包含关系，但是依赖于一定的近似性，并不一定上可以展开替代。比如“温泉”和“纯净水”，“纯牛奶”和“舒化奶”等。

为什么我们还成立近义该词该最新版，是因为某些故事情节当中，比如很多虱目鱼消费市场APP当中，使用者在定位到某服装店门店时，抓合“温泉”，假设该门店不但会，我们如果同样演示抓合无结果，那么就是白白浪费了一个厂家机但会，但如果我们将“纯净水”也演示出来，回事使用者很多时候也但会下单，因为二者相异相当大。

当然此部分系统会，有些APP但会来作在“为你力荐”里面，具体展现在哪里不最主要，背后的演算是一致的。

3）试图该词编写

此类该本字词和近义该词不同之处在于，很多时候是依赖于一种包含关系。比如“苹果电脑和红富士”、“点心和火锅、馒头、罐装”，使用者抓合“红富士”时，如果不但会“红富士”，通过试图该词我们也许就但会演示其他苹果电脑。使用者抓合“点心”，当既不但会“点心”这个CATEGORY，又不但会厂家称来作“点心”时，我们不会通过这一类试图该词展开关连。

为什么我们将该最新版拆解的如此生动，总称同义该词、近义该词、试图该词等等，是因为不同故事情节下我们须要可用不同的该最新版组合，如果都混合在独自就十分不安，想要拆解时都未拆解。如何去重构积累上述的该最新版，一方面须要试运行通过人工方面的方式则展开添加，另一方面就是机器去历史使用者的抓合记录、埋点信息信息等展开挖掘，逐步形成相关该最新版再展开人工筛选。

4）并不一定权重相应

有心业务范围方具体需求。并不一定权重相应在信息化消费市场APP可用的是最多的，也是上一篇参考过的，比如使用者抓合【王一博同款红色卫衣限量版】，我们就须要拆分解任必需，如果用【王一博 and 同款 and 红色 and 卫衣 and 限量版】去检索当中展开解任，也许解任的结果就但会较少。

所以我们须要重新重构解任必需，展开Query编写，挑选比起最主要的必需去解任，其他必需显然。我们可以将Query编写为【王一博 and 红色 and 卫衣 】所以并不一定与并不一定密切关系是依赖于优再行级的，有些并不一定一般来说是要优于其他并不一定一般来说的。

上述七大类Query编写，同义该词编写是必须的，近义该词编写和试图该词编写一般情况下我们都是用在解任结果比起少的抓合故事情节下可用，想要尽也许多地演示一些抓合结果，不浪费进行时曝光机但会。并不一定权重相应多半是解任结果但会，须要精简；多半是解任结果过少，想要扩充，具体有心业务范围需求。

当经过上述一系列并不一定辨认和Query编写后，我们就但会去ES检索里已经结构上化好的物料特展开厂家解任。比如使用者抓合“当中国地区”，并不一定辨认后为【Brand： 当中国地区】，我们就但会将所有物料Brand这个Label=“当中国地区”的展开解任。如何对物料特展开结构上化处理，可以参考上一篇撰文。

但多半业务范围方敦促使用者抓合某些该本字词时，必须将一些厂家解任，这些厂家也许上述一整套解任演算未覆盖。比如使用者抓合“夏日解暑”，这个该本字词也许和任何厂家都未同样逐步形成关连，但我们通过硬解码的方式则强行让该抓合该词和“冰棒”、“雪糕”、“冰淇淋”等展开关连，这样也可以抓合出结果来。

此策略性一般我们都是开发计划成通用的试运行操作界面，由试运行在系统会页人工每日展开添加、删除、变更等，来作成一个通用的厂家系统会。

之前整个解任还但会依赖于一个兜底策略性，回事主要就是Part2.1的Match程序，比如使用者只抓合一个“辣”本字，也就是我们上文当中参考的并不一定辨认出来是一个“OTHER”并不一定，我们很难辨认使用者的真实试图，到底是“辣筒”、“辣辣酱”还是“辣玉米”等，这时我们不会通过和厂家名Match的程序，将所有厂家名当中含有“辣”本字的厂家全部解任。

同时如果该该本字词是一个正常该本字词，但是并不但会共收录到我们的并不一定该最新版里面，我们也可以通过兜底策略性保证有结果可以解任，而不是结果为空。但是解任后这些厂家如何展开排序了？这也就是下一篇要为大家参考的：消费市场APP智能抓合第三话说—如何排序抓合结果。

本文由 @King James 原创发布于有心都是厂家经理。未经许可，严禁转载。

题图来自 Unsplash，基于 CC0 两国政府