本文介绍字节跳动 Viking AI 搜索如何通过热度排序和个性化召回提升搜索相关度与用户转化。
📝 详细摘要
文章详细阐述了 Viking AI 搜索的个性化机制：先保证结果与查询词相关，再结合物品热度和用户兴趣标签进行召回和排序。热度排序基于点击、加购、购买等正反馈行为，能把被多数用户验证的商品提前展示；个性化召回则通过用户行为数据生成兴趣标签（品类、品牌、风格等），在关键词匹配的基础上额外召回与标签匹配的物品，并提供弱、强两种干预档位供开发者灵活调节。文章强调该方案的简洁（无需自建复杂模型）、有效（直接提升点击率和转化率）以及可控（可在控制台逐步调试），并指出其适用于电商小程序、垂直内容社区、素材检索、企业知识库等场景，使搜索从“千人一面”转向“因人而异”，从而提升转化和用户粘性。
💡 主要观点
- 热度排序利用点击、加购、购买等行为数据提升热门商品的曝光机会。 系统根据用户正反馈行为计算物品热度，在相关性基础上让被更多用户验证的商品获得更好的排序位置，帮助用户快速发现大家正在喜欢的内容。
💬 文章金句
- 它的核心思路很朴素：先保证结果与搜索词相关，再结合'物品热度'和'用户兴趣'调整召回与排序，让搜索结果既不跑题，又更贴近当前用户的偏好。
- 这套能力的特点可以概括成三个词：简洁、有效、可控。
📊 文章信息
AI 初评：85
来源：字节跳动技术团队
作者：字节跳动技术团队
分类：人工智能
语言：中文
阅读时间：9 分钟
字数：2080
标签： AI搜索, 个性化召回, 热度排序, 用户行为数据, 搜索转化