Personalized Search Ranking — 个性化搜索排名：用户历史驱动的搜索结果重排
Skill-Personalized-Search-Ranking · 05-推荐系统
causalexperimentrecommendationdata_collectionpricing广告与投放供应链与补货客服与VOC推荐与搜索数据采集与治理定价与利润WF-A 智能补货WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-E Review监控WF-F 动态定价WF-G Listing内容优化WF-J DTC 独立站增长
年化 ROI¥10-30 万
实现难度⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / 选品负责人 · 产品经理 · 广告优化师
适用平台Amazon · DTC 独立站 · 邮件/SMS 个性化
什么情况下用老客来了只买一件就走，相关产品没被推出去；Bundle 商品连带销售做不起来；站内推荐位点击率低
成功是什么样的老客连带购买率提升 20-35%，客单价提升，品类交叉销售做起来
业务痛点
1. 解决的问题
独立站搜索"吸奶器"所有用户看同样排序导致CVR仅3.5%低于行业均值——用户历史偏好驱动的LTR个性化重排，老用户便携款和配件优先展示CVR从3.5%提升到5-7%年化增益10-30万元
2. 核心算法逻辑
统一排名 vs 个性化排名：
3. 业务应用场景
业务问题：独立站月均 5,000 次搜索，搜索转化率 3.5%（低于行业 6-8% 均值）。分析发现：搜索"吸奶器"时，老用户（已购买便携款）和新用户看到完全一样的结果，老用户通常是来找配件/升级款，但被通用排序埋没了。
数据要求： - 用户搜索历史（查询词 + 点击商品） - 用户购买历史（品类偏好/价格档位） - 商品特征（标题/品类/评分/库存）
预期产出： - 个性化搜索排名模型 - 搜索 CVR 提升估计（A/B 测试对比） - 用户段差异化策略（新用户/老用户/高意图用户）
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 搜索 CVR 提升（3.5% → 5-7%）：月增收 ¥3-8 万
- 用户满意度提升（搜索更精准）：长期留存提升
- 减少用户搜索放弃率：降低 bounce rate
- 年化综合 ROI：¥10-30 万
- 实施难度：⭐⭐⭐☆☆（需要用户行为数据和 LTR 模型；冷启动降级逻辑；约 3-4 周）
7. 代码模板
代码块数量：3 · 路径：未检测到
"""
Personalized Search Ranking
个性化搜索排名：用户历史 + LTR 模型
"""
import numpy as np
from dataclasses import dataclass
from collections import defaultdict
@dataclass
class Product:
"""商品"""
product_id: str
title: str
category: str
price: float
rating: float
review_count: int
in_stock: bool = True
@dataclass
class UserSearchProfile:
"""用户搜索画像"""
user_id: str
preferred_categories: dict # {category: score}
price_preference: float # 0-1（越高越倾向高价）
brand_preferences: dict # {brand: affinity}
search_history: list # [(query, clicked_product_id, converted)]
def compute_text_relevance(query: str, product: Product) -> float:
"""简化的文本相关性评分（生产用BM25/BERT）"""
query_terms = set(query.lower().split())
title_terms = set(product.title.lower().split())
category_terms = set(product.category.lower().split())
# Jaccard + 品类匹配
title_match = len(query_terms & title_terms) / max(len(query_terms | title_terms), 1)
cat_match = len(query_terms & category_terms) / max(len(query_terms), 1)
return 0.6 * title_match + 0.4 * cat_match
def compute_user_preference_score(user: UserSearchProfile, product: Product) -> float:
"""计算用户对商品的个性化偏好分"""
# 品类偏好
cat_score = user.preferred_categories.get(product.category, 0.3)
# 价格契合度（用户价格偏好 vs 商品价格档位）
max_price = 300.0
price_tier = min(1.0, product.price / max_price)
price_fit = 1 - abs(user.price_preference - price_tier)
return 0.6 * cat_score + 0.4 * price_fit
def personalized_search_rank(query: str, products: list[Product],
user: UserSearchProfile | None,
alpha: float = 0.4, beta: float = 0.4,8. 论文来源
- 2406.08126