在电商搜索中，query推荐有很多种产品形态，不同的产品形态也扮演着不同的角色，常见的有query suggestion（SUG）、猜你想搜（搜索发现、大家都在搜）、细选（锦囊）、搜索底纹、搜索PUSH、搜索“风向标”（点击回退query推荐）等。以淘宝当前版本的产品形态为例，有：
上述每个方向都值得单独介绍，而本文则先整体从query推荐角度，放在一起介绍，方便横向对比各个场景的目标和方法上的异同之处。而以经典的分类方式展开，可以将query 推荐策略放在用户搜索前、搜索中、浏览中、搜索后（本章不涉及讨论）等各个状态阶段来进行比较：
目标
以上引出了搜索query推荐的两大目标：
- 搜索增长，目标提升提升渗透率，将用户引导到成交效率更高的搜索场景，提升搜索活跃度，常见的产品形态有：底纹、query push、风向标等；
- 搜索效率优化，节省用户输入成本，细化搜索词，预测用户搜索兴趣，同时挖掘用户需求，并进一步拓宽用户搜索宽度，常见的形态有：SUG、历史搜索、猜你想搜、细选、纠错、空结果反馈等。
实现
明确搜索query推荐目标后，在实现方法上，各类型的query推荐也可放在一起讨论，并围绕其召回、排序展开。从触发条件角度分类，这里将query推荐分成被动触发型（Trigger Based），和主动推荐型（Trigger Free）两类；
Trigger Based
Trigger based方法主要指，有明确触发词或行为的query推荐类型，场景触发需要以用户动作为条件。
Query Sug
根据用户当前搜索词前缀，实时猜测用户希望搜索的query，进行query推荐。详细的，召回阶段根据事先建立好的前缀词典（如前缀树），召回候选query。进阶一点则可使用相似query算法召回（基于内容或行为的q2q）、兼容拼音、错别字等，一定程度上放松前缀一致的要求。排序阶段则可简单按照候选query历史搜索pv、uv或点击/成交率进行排序，也可基于简单特征和模型（如LR）进行qeury点击率预估。
猜你想搜（浏览中）、细选
根据用户当前搜索query，推荐相似、略发散query（猜你想搜），对于泛query则可以推荐更加收敛的query（如细选）。通常直接目标为坑位点击率，间接目标可以根据需要设计为搜索丰富度（如人均搜索类目数）、整体成交效率（如人均成交）等，不同的目标对应着不同的设计目的，后续也需要有针对的方案设计的侧重。
以浏览中阶段的“猜你想搜”策略为例，召回可以使用当前用户搜索词为trigger进行q2q召回。也可通过u2q2q，即user过去搜索过的query做为trigger进行q2q召回，以增加个性化，当然需要使用如类目、关键词限制等方法保证历史行为query与当前query的相关性。同样如果要求多样性更强，可通过用户过去行为过的相关item（如相同类目），间接找到这些item常被点击的query作为召回候选，即u2i2q；类似的还可以q2i2q，可根据实际需求进行脑洞。
排序阶段，区别于query sug对实时性要求高，“猜你想搜”可以设计稍复杂的特征和模型，相对于商品搜索rank，这里的query rank的主特征簇包括：trigger query feature、user feature、候选query feature以及上下文特征。对于相关特征的设计可以参考《特征工程篇》，另外也需要有针对特殊场景设计贴近目标的特征。而对于训练数据，则同样与商品搜索rank类似，如以点击率为目标，使用曝光未点击query为负，有点击query为正。
风向标
“风向标“或者叫点击回退query推荐，主要目标是提升搜索渗透率，将其他场景行为的用户引导至搜索场景。相比于sug和猜你想搜，风向标的trigger更多的是用户当前点击的item或其他类型内容。相应地，在实现上，召回阶段主要以item为锚点展开，如i2q、i2i2q、i2q2q、增加个性化的u2i2q、u2q2q（间接物料需要有相关性保证，如通过类目）等。同样，排序侧增加一路trigger item特征簇及相应交叉特征，其他环节则大同小异。
对于风向标场景query的配图，简单的可以通过query下高点击率item的首图即可（需要过滤风险）。
Trigger Free
Trigger free这里相对的指不需要用户具体的触发条件，用户进入相应页面后即可触发query推荐，如进入搜索触发页可以推荐历史搜索、热搜、猜你想搜等，主页搜索框页面可以推荐底纹。另一种trigger free的query推荐是push，系统主动通过提醒栏向用户推荐query，如“你关注的‘笔记本电脑‘有上新了”。详细的有：
历史搜索
直接通过离线、实时统计用户行为日志即可得到用户的历史搜索query词，并直接根据行为时间取topN 展示给用户；
热搜（热榜）
曝光当前热门搜索词、热门搜索话题、热门品类等，同样可直接通过整体用户的搜索频次、人数，并进行不合法query过滤或运营审核配置，进行前端展示。
猜你想搜（搜索中）&底纹
搜索中的猜你想搜，类似“浏览中”的猜你想搜，不同的是这里少了一个用户当前搜索query作为trigger，在召回阶段可以更加发散，主要以用户历史搜索词、点击商品为trigger，围绕u2i2q、u2q2q、u2c2q（c为用户偏好类目）等，而rank阶段同样可以做相应调整。
搜索底纹的推荐链路通常可以复用猜你想搜逻辑，最简单的在搜索框滚动topN的结果即可。
Query Push
Query push场景属于push的一种，这里指围绕搜索词的文案主动弹窗推送，用以引导当前未使用app的用户打开应用程序。实践证明，多数情况下，围绕用户感兴趣的query的主动推送相对于其他文案计划效率更高。相应的，query push场景的召回和rank方法可以借鉴上述底纹、猜你想搜，然后围绕满足条件的query，补充文案模版，送入push链路。
难点
Query推荐场景常遇到冷启动问题，如小场景本身就会有行为数据不足的问题，大场景通常开始时也需要小流量AB，短时间内无法得到足够量的训练数据，而这点的困境大都发生在rank阶段。常规地，冷启阶段召回可以从简，量也不会很大。rank阶段初期也可以不使用模型，而直接通过query历史表现做rank socre，如query历史pv、ctr、cvr等。最后通过多样性重排打散方法（参考重排中的特殊重排情况），避免排序在top的query过于热门和集中。同时通过简单的如Bandit之类的方法进行探索，保证query曝光的多样性以积累更加丰富的数据。
另一种应对冷启动或样本不足的方法是多场景联合优化，可以参考近期淘宝的一篇论文Self-Supervised Learning on Users' Spontaneous Behaviors for Multi-Scenario Ranking in E-commerce[1]。
此外，在上述简单的冷启方法基础上，对用户进行分层（如根据用户活跃度）进行query推荐有时也能取得不错的效果。这点可以认为加入先验的用户活跃度偏好特征，缓解因数据不足引起的bias问题。
小结
本文从搜索阶段、目标、实现方法等维度介绍了电商搜索query推荐的一般应用方法，后续会以重要的query推荐场景举例进行详细介绍。值得一提的是，在搜索query推荐中，风险把控同样也是不可或缺的一环，如涉黄涉政话题query/配图是需要禁止的。这点通常是准备相关词包，或专门设计在线识别模型，毕竟如果因为一个小策略的优化，app被下架就得不偿失了