机器训练需要切实的关键词进行离线训练和离线评估，以及在线ab和数据评估。前者是自己在离线环境下，使用用户输入的关键词进行训练并离线人工评估准确度；后者则是将训练好的模型上线，采用ab测的方式，开一部分小流量进行在线实战测试，并通过收集测试组的数据指标评估和分析效果。这也是互联网产品迭代最主要的测试方式之一。

类目预测的人工和机器算法相结合的算法大概就是这样，其实还有其他便捷的途径，就是逻辑没有以上这个清晰，所以我就不单列出来了。

基本的类目排序逻辑确定好之后，我们其实会发现，用户的关键词其实是一个巨大的行为数据宝库，用户从输入关键词那一刻起，从点击商品，到收藏，到加入购物车，到购买行为等，都能透露出其购物偏好。

如何将这些行为有效的记录并训练起来也能对商品的排序准确性和购买率起着较大的影响，其实目前各大网站的推荐算法还是有一些问题的，比如我前几天在淘宝上买了一台电视，结果接下来的日子里我的首页都充斥着各种电视的图片，以及链接的外部DSP广告也给我推送电视的信息（这就是侵犯个人隐私的大数据统计算法所为）。

商品排序算法的轮廓我已经在之前的章节提及，各种维度我就不再赘述，只说说这种排序权重计算规则的由来，一言以蔽之就是不断调整每个维度权重的数值，并上线ab测试，以产出比最高的一组作为最终的算法排序规则。

当然这一规则和算法并不是恒定不变的，是随着维度的不断丰富和数据变化不停调整的。

现在各家网站都讲求个性化千人千面，这也是我们看到京东、淘宝、苏宁等电商首页时，其个性化推荐模块给你推荐你曾经看到过或者似曾相似的商品。并不是他们聪明了，而是你的行为被收集处理过了，展现给你的，就是你想看的，或者说想买的。（钱包也是这样被掏空的）

好了，这期就到这吧。其实我有挺多关于人工和机器算法的结合的想法和尝试，只不过在和工作中的同事交流时，因为各种原因未能付诸实践，我将其保留在自己的OneNote笔记中。有机会分享给大家。

预告下一期内容：搜索运营沟通和产品如何配合，使搜索影响力最大化。