搜索功能是很多产品的核心，比如电商搜索，内容搜索等等；如何设计搜索功能的确是一个看似简单但其实很深刻的问题。

不管怎样，画一个条形、一个立方体，它们就是搜索框、搜索图标，可以代表一个搜索模块；如果你要仔细研究各种用户交互问题、各种逻辑，它们也是一个搜索系统；这一切都取决于你这个产品设计师如何去设计它。

在设计搜索功能时搜索框下面推荐的叫什么，我们需要从用户体验和功能实现两个方面出发：

从这里我将分两部分来解释：搜索设计和搜索逻辑。

1. 搜索设计

我们先从可感知式开始讲，通过用户路径图来了解用户使用功能时的具体步骤：

用户使用产品—有需要搜索的问题—看到搜索功能—点击搜索功能（展开输入框）—输入问题—点击确认并等待结果—滚动浏览搜索结果—选择一个结果查看。

按照上述路径，我们可以将用户使用搜索功能的场景分为搜索前、搜索中、搜索后三个部分。同时根据不同的应用场景，我们还需要区分移动端和PC端。

1. 搜索之前

首先我需要陈述一下我对搜索核心的定义，即搜索功能的核心在于解决用户的疑问，并给予用户满意的答案；因此我们在设计的时候需要带入场景搜索框下面推荐的叫什么，想象我们就是用户，在急需解决的问题时，会产生什么样的情绪？懊恼？渴望？还是兴奋？建立起同理心之后百度关联词条删除不掉★64xl.com专业下拉联想词，百度联想词，才能进行功能设计。

所以在设计搜索功能的时候，我们应该合理设计搜索功能，满足用户的急迫需求；当用户在使用产品时有疑问的时候，应该根据当前场景选择放大或者缩小用户的搜索感知；在无法解决问题的地方，选择使用输入框搜索作为设计解决方案，在无法引发问题的地方，依然可以选择搜索图标作为解决方案。

这两种解决方案都很常见，但是我们需要注意的是，除了风格上的差异，在选择使用输入框作为搜索风格时，大多数人都喜欢在输入框上做文字引导，这种文字引导有引导性文案，推荐搜索文案两种。

这个不一定是必须的，因为我没有准确的数据在数据层面告诉你做与不做会有什么效果，所以这个需要你自己去选择。

2. 搜索

用户点击搜索功能输入问题的时间视为搜索。这里的设计方式有两种：直接在当前页面搜索和进入独立的搜索页面。

其中直接在当前页面进行搜索在PC端更为常见，因为PC页面有较大的区域可用于显示内容。

还有一种方法就是使用单独的搜索页面，这种做法在手机上比较常见，由于手机屏幕尺寸有限，如果不跳转到页面直接搜索的话，我们能展示的内容太有限了，如果用一个新的页面来承载搜索的话，那么可以提供更多的功能和内容。

这里我们可以通过后台管理功能随意添加热门搜索内容，同时在用户输入内容之后，我们会将输入的内容进行关联展示，方便用户选择自己实际想要搜索的内容，从而提高搜索的易用性和便捷性。

但是产品设计者需要注意的是，联想展示的内容不宜过多，最好控制在7条左右，过多会干扰用户阅读；展示的内容需要有一套独立的逻辑支撑，需要清晰的告知研发，为什么要展示这些内容，这些内容排序的依据是什么等等（这个后面会讲到）。

同样，为了提高搜索的易用性和便捷性，我们可以把用户最近的历史搜索也收录进来，方便用户再次搜索同一个问题。至于每次显示多少条历史记录，可以参考7+-2规则来控制数量。（一般人的短期记忆容量大概是7加减2，也就是5到9之间，可以理解为7加减2个区块。）

3. 搜索后

搜索结果在移动端一般以双行或者单行的方式展示，双行可以显示更多的搜索结果，单行可以显示更多的搜索结果信息。

到此为止，搜索函数的原型基本没什么问题了，现在我们来谈谈搜索函数的逻辑部分。

2. 搜索逻辑

我先说结论：看似简单的搜索并不只是简单的用SQL（数据操作语言）对整个数据库进行搜索，它还涉及到用户的搜索问题、分词、纠错、预测、召回和排序等。

1. 分词

分词很好理解，当用户输入问题时，输入的文本就被分割了，分词的核心在于分词方法和特征词词典。

同时分词也叫NLP（自然语言处理分析），是AI的一个分支，毕竟你要让AI听懂你在说什么，学什么，不然就变成人工智能了。那么搜索是怎么实现的呢？其实分词的方式跟小时候查字典很像。

1）逐词匹配

我们理解有人给你一个句子，你需要把它们分成两三对单词，但你不知道如何用几个相邻的单词组成一个单词。我就用这个句子查了新欢词典，从头到尾，发现没有匹配的，就把最后一个单词删掉，再查一次词典。就这样，我把词典里的所有单词按照文章中从长到短的顺序排列起来，一个词一个词地搜索，直到文章结束。

你可以想象，如果换成人类来做这件事，会是多么令人沮丧。即使换成计算机来做，也会因为需要反复查询而效率低下，需要花上半天时间才能成功分词。

2）前向最大匹配法

最大正匹配会按照我们阅读习惯从左往右进行匹配，而最大意义在于当有多个匹配词条时，以单词最多的词条为准；例如匹配词条“ park”有两个匹配，一个是野生动物图案，一个是动物园。我们先以野生动物园作为最终的匹配，并按照这个思路继续讲解。

有用户搜索：“成都动物园在哪里？”

我们把结果“成都动物园”保留下来，然后把“成都动物园”去掉，改成“哪里”重新开始查找；这样，根据我们的词典，我们可以得到结果：“成都动物园”，“在”，“哪里”，这就是前向最大匹配

3）反向最大匹配法

逻辑和正向匹配大致相同，只是从右往左，每次减去第一个单词。我们以“成都动物园在哪里”为例。

当用同样的逻辑再将其缩小到“在”时，仍然没有对应的词典，所以也单独去掉“在”，开始搜索“成都动物”。这样第一次搜索就成功了，结果就是“哪里”中的“在”、“成都动物”等分词。因为是反向搜索，所以结果其实和正向搜索的结果是一样的。

4）双向匹配

这种匹配方式是为了实现更精准的分词，正向和反向算法都用到，然后根据分词粒度进行选择，分词条目越长越好，非词典词和单个词越少越好，选择最合适的进行匹配。例如：

2. 词义纠正

词义修正也是搜索的一个重要环节，搜索的时候，打错字、说错话（语言搜索）是很常见的事，而且因为文字和语言都是情感交流的渠道，汉字有声有色，异义、一字多义、同音异义等问题也很麻烦。

这个意思纠正的词，也可以理解为查字典，只不过我们查的字典是特殊的字典，里面有情绪、拼音、声调相关的内容，大脑会自动把“康首府”纠正成“康师傅”，有点像自动纠错。

1）拼音校正

当输入的汉字出现错误时，系统需要及时结合上下文进行分析，可以把汉字转换成拼音，用同样的拼音进行识别，如“如何把大象放进病象”，把未能成功切分的汉字单独转换成拼音“如何”“ba”“大象”“放进”“bing”“”，放到查询词典中进行处理。

2）模型算法

这部分比较复杂，如果想了解更多，可以自行搜索：SVM等。

3. 类别预测

用户使用搜索功能来获取答案，因此我们需要了解用户搜索内容的含义；例如，当用户搜索苹果时，她是在搜索苹果吃还是 ？一个是吃，一个是使用，这两个答案完全不同。因此，预测的类别会对用户的搜索结果产生很大的影响。

有多种方法可以进行类别预测：

1）手动配置

通过后端的跟踪日志收集最热门的搜索词，并对这些搜索词进行配置，这样可以保证用户在搜索的时候看到的是苹果手机，而不是真正的苹果手机，这也是最简单有效的方法，但麻烦的是需要人安排长期的维护。

2）类别相关性

搜索词是根据搜索词的重要性、类别数量、类别出现的次数、搜索词出现的次数等通过算法计算得出的。

代表性的TF-DC算法。

4. 排序结果

搜索结果排序也是个很头疼的问题，比如搜索苹果手机，会出现十几万条产品信息，谁排第一就成了问题，所以需要按权重排序，也可以按最近更新时间排序，哈哈，看个人吧。