9 月 29 日消息，苹果公司 App Store 应用商店搜索广告服务将于 10 月 5 日美区正式上线，开发者将可以通过付费的方式将自己的 App 广告推广到搜索结果的最上方。
据了解，广告服务将以竞价排名的方式被拍卖，首批付费购买搜索广告服务的开发者将有机会获得苹果 100 美元的奖励。购买搜索广告服务的开发者，可以获得在搜索中优先显示自家 App 的权利。
苹果表示，App Store 中有 65%的下载量来源于搜索，在搜索中添加广告将有助于开发者推广自己的应用。搜索广告服务上线后，用户在搜索应用时第一条结果将变为广告，并会用蓝色背景和图标以区分其它搜索结果。
这一服务的上线使不少人对 App Store 的公平原则产生了质疑，特别是给一众付不起竞价排名服务的小开发商带来了压力。但目前这一服务在中国区上线的时间还尚未确定。
本文 来自 .
jul.
26
前几天京东发出一个重要信息就是换CEO了，那么新任的徐蕾是从CMO体系上来，那么CMO整体的业务是否在京东实现全面的无界，无界也是意味开放很多规则透明化，资源透明化，另外就是玩法清晰化，很多行为会通过用户行为习惯去做一定开放和需求导向。今天分享京东搜索的五大开放，我们了解下【713搜索书生会员金卡权益招募中，欢迎咨询：13021139730】
◆◆◆
今天是搜索书生陪伴您的第882天
搜索开放的背景
京东搜索隶属CMO体系下面目前已经按照京东去年提出的无界零售，无界搜索从一个量级跳到另外一个量级，搜索无非是权重累计的一个过程，一个从质量变化成销量，那么无界零售让京东整体业务转变和业务发展都变成一个轻模式，就是容易对接，不再封闭。京东也有一个部门叫做营销研究所，专门研究京东规则和培训商家，今年搜索书生也出于开创课程，预计8月份正式开创个性化千人千面的规则，大家都知道最近搜索书生一直在提出个性化，很多用户在个性化上面提出问题，相信在京东下半年玩好BI规则才能得到销量，那么在搜索书生研究院也开始建立讲师研究小组，专门研究BI我会给大家一个完善的干货。
搜索的开放代表是搜索的GMV统计入口发生变化，既然上升到CMO体系，那统计入口就不是按照关键词成交了，现在统计入口GMV就是按照无界搜索开放的行为，这样计算的规则一个量级转变成一个大的量级的。开发搜索无界无非就是统计入口多样化，那么商家关心是权重的问题是否一致。既然是开放，在没开放的时候统计入口是按照关键词瞄点来判定，【无界搜索】既然可以得到开放，现在就是个性其他渠道的第一性行为就是统计入口的标准。比如：广告是按照点击进入同等关键词规则。
总结情况下我下面所讲到的搜索开放到无界搜索的五大方向都已经计入搜索规则了，大家不用去质疑，直接玩起来就可以，那么玩起来要懂规则哦。
无界站外搜索打通落地
京东搜索站外打通，京东无界零售率先第一站就是搞定站外流量从独立平台去掉中心化由京东提供商品数据库开始，他没打通 了什么值得买等平台，那么这些站外流量的统计入口就是通过其他订单进行，然后京东平台下单然后这个行为就可被搜索计入常规综合排序，那么另外一个就是通过站外京挑客连接进来的，通过计入京挑客的行为都被计入为成交完成订单，那么只有订单收货也是一样的逻辑，那么站外是所有的站外因为他的第一性行为是通过站外京挑客连接广告位植入进来那么站外的广告也算到搜索排序权重里面，那么统计入口是跟关键词搜索的行为权重一致，操作都能做到首页APP前面都可以的位子，因为开放所以计入规则。
无界内容营销打通落地
回归三年内市面最火的内容营销，现在可能是短视频的时代，那么接下来可能是视频的时代，我们不管如何去变化我们都要紧跟在后面参透规则玩法等。那么内容营销京东只是先渗透到搜索中，目前我们看到的搜索中由“京挑细选”位子。（关注搜索书生订阅号发送回复“京挑细选”可以查看上位规则权重逻辑）那么这个目前是一个渗透，那么另外一个渗透就是文章的广告位子中间会突然出现一个高阅读量的问题，这个地方是按照转化率评估的，那么这个地方我们内容其实刷白了，京东要慢慢实现内容话，推送内容话的商品给到C端才能更加快速提高体验成交。
那么无界内容营销不仅仅打通搜索的穿插在APP主站已经全面渗透到了二级页面等了，基本上覆盖率已经达到100%页面，那么我们可以看到内容营销的步子很快，你会发现很多页面都已经是内容界面货清单的文章进行一个展示是更加便捷推送给用户对应的商品。所以内容营销这块不管什么渠道都已经计入到搜索规则了。
无界广告投放打通落地
广告来源于点击，那么点击来源展现，那么无界广告赋能主要是展现和点击形成一个正比关系，那么搜索一开始依靠关键词来计入GMV，那么广告就是展现跟点击了，京东京准通小黑龙的的产品都是广告产品，那么京准通下面的旗下所有的广告产品都被即进入为无界搜索赋能的，于此同时但是展现和点击依然是广告投放最高权重，同等搜索关键词计入的权重占比，那么开放之后搜索的和广告由一定得冲突从整体上看搜索这块币广告占比要高很多，那么京东已经开始升级海投计划，未来海投这块权重也有权重的累计，目前是一个统计入口和设计瞄点中。
无界直播采集打通落地
直播的开源这快我也是感觉到比较稀奇的，说白了直播的展示规则是列表化，然后直播频道进行购买，跳转到商品详情页，据了解接下来直播可能会上线专场页面，一个店铺的会场页面然后进行购买，这个也在内测中，然后直播这块无非也是展示效果和点击效果出大的无界搜索权重累计的一个重要因子，那么直播的数量人数这块也占据一定得比重，比重另外就是直播点赞等等行为，那么最后的这个SKU下单的时候收货周期等都是一直都噩那么这个都计算到京东搜索总和排序的额权重指标。
今天主要分享京东一些开放搜索权重计入的入口，那么接下来会可能会更加惊吓话统计，销量最终会变成一个最终的权重入口池了。
分享本文章到朋友圈，送人气宝现金抵用券100元，发分享截图到订阅号哦！
搜索书生（sousuoshusheng）是一个专注京东搜索规则分享（share）与交流的平台，平台文章励志做最好的文章汇总和原创者。
阿里妹导读：以深度学习为代表的人工智能在图像、语音和NLP领域带来了突破性的进展，在信息检索和个性化领域近几年也有不少公开文献，比如wide& deep实现了深度模型和浅层模型的结合，dssm用于计算语义相关性，deepfm增加了特征组合的能力，deep CF用深度学习实现协同过滤，rnn recommender 采用行为序列预估实现个性化推荐等。
工业级的信息检索或个性化系统是一个复杂的系统工程，深度学习的工业级应用需要具备三个条件：强大的系统计算能力，优秀的模型设计能力和合适的应用场景。今天，我们邀请了阿里搜索事业部资深算法专家三桐，介绍阿里在深度学习系统、深度学习算法和搜索应用落地的进展和思考，希望对大家有所启发。
深度学习在搜索的应用概括起来包括4个方面：
首先是系统：强大的深度学习训练平台和在线预测系统是深度学习应用的必要条件，目前我们的离线深度学习框架、在线深度学习框架和在线预测框架统一到tf，并实现了日志处理，特征抽取，模型训练和在线服务部署端到端的流程，极大提升了算法迭代效率；
其次是搜索应用：包括智能交互，语义搜索，智能匹配和智能决策四个技术方向，这四个方向的协同创新实现了搜索全链路的深度学习技术升级，并具备从传统的单场景单目标优化到多场景多目标联合优化的能力；
再次是在性能优化上做的工作：包括模型压缩、量化、低秩分解再到二值网络，大量的技术调研和论证，为未来提高深度模型预测性能和软硬件协同优化做了很好的技术铺垫；
最后是排序平台化：实现了PC商品搜索、无线商品搜索、店铺内搜索搜索和店铺搜索的搜索服务统一，通过特征和模型复用，实现了多条业务线技术的快速升级。下面我会简要的概括下在四个方向上取得的主要进展和背后的思考。
下面是搜索系统和算法的简图。系统包括:
搜索系统和算法简图
a. 离线数据平台ODPS，负责离线日志join、特征抽取和离线模型预估产出排序特征，时效性不强的特征都是通过离线数据平台产出的，比如用户性别标签，商品关键字等;
b. 离线机器学习平台PAI，底层是主流的parameter server和TF深度学习框架，平台实现了大部分机器学习算法模型的并行训练和预测，在搜索应用中主要作用是离线模型训练产出离线排序特征模型；
c. 流式计算和在线学习平台 Porsche，流式计算是基于blink负责实时日志解析和特征join生成实时排序特征，在线学习和离线学习底层框架可以相同，差别主要是依赖数据源和部分优化方法不同，由于用户行为和市场环境变化快，流式计算和在线学习在搜索应用非常广泛，并积累了不少在线学习和强化学习算法；
d. 在线服务平台，包括引擎、排序服务和搜索平台组成，负责在线的服务分发、索引查询、排序服务和结果合并等功能，搜索的排序策略、相关性、个性化等模型主要通过在线预测服务生效。经过多年发展我们已经具备了非常完善的商品搜索排序算法体系，包括知识图谱、分词、tagging、类目预测、意图预测、拼写纠错、query 推荐、query 语义改写、相关性、商品标签、商品质量、店铺分层、用户profile、用户偏好、用户感知、召回策略、个性化模型、多样性策略、异构服务混排策略、多目标联合优化策略、多场景联合排序策略等，并平台化的方式赋能相关业务团队。
系统进展：机器学习平台和在线预测平台
机器学习平台。搜索训练样本主要来自用户行为，由于用户行为是流式数据，适合做在线深度学习，但当模型参数非常庞大需要海量的样本时在线学习需要很长的时间才能收敛，这时一般是先做离线预训练再结合增量或在线学习，另外有些模型离线预训练后在线只需要对接近输出层的网络做fine-tuning。搜索在实际应用的有离线机器学习平台PAI和在线机器学习平台Porsche，两个平台深度学习框架目前都统一到了tf-pai， tf-pai 对原生tf做了一些优化，比如底层通讯，稀疏参数存储、优化方法、GPU显存优化等，比原生tf训练深度有较大的提升，训练上千亿样本和上百亿参数的深度模型毫无压力。
虽然Porsche和PAI都支持GPU，但在搜索应用中CPU依然是主流，GPU应用比较少，原因主要是个性化相对图像或语音简单，特征抽取网络比较浅，维度相对较低，GPU的稠密矩阵计算能力得不到充分发挥，同时离在线混布后流量低谷期间腾出了大量的在线服务闲置CPU，把临时闲置的CPU利用起来做深度学习训练是一个非常好的思路。
在线预估RTP，搜索排序算分服务。由于每次搜索请求有上千个商品需要计算排序分数，深度模型应用对RTP服务的压力是非常大的，RTP通过采用异构计算，计算算子化和模型分片等方式解决了深度模型inference计算和存储问题，深度模型用GPU，浅层模型用CPU，今年双11期间搜索RTP服务用到了550张GPU卡。另外，RTP还实现了离线/在线训练模型/数据和在线预测服务部署的无缝衔接，算法训练好的模型或数据可以很轻松的部署都在线服务，提升了算法迭代效率。
算法：智能交互、语义搜索、智能匹配和搜索策略四个方向
智能交互。商品搜索就是带交互的商品推荐，用户通过关键字输入搜索意图，引擎返回和搜索意图匹配的个性化推荐结果，好的交互技术能够帮助到用户更好的使用搜索引擎，目前搜索的交互主要是主动关键字输入和关键字推荐，比如搜索框中的默认查询词和搜索结果中的文字链等，推荐引擎根据用户搜索历史、上下文、行为和状态推荐关键字。
和商品推荐的区别是，关键字推荐是搜索链路的中间环节，关键字推荐的收益除了关键字的点击行为外，还需要考虑对整个购物链路的影响，包括在推荐关键字的后续行为中是否有商品点击、加购和成交或跳转到另外一个关键字的后继行为，这是一个典型的强化学习问题，action 是推荐的关键字候选集合，状态是用户当前搜索关键词、上下文等，收益是搜索引导的成交。
除了被动的关键字推荐，我们也在思考搜索中更加主动的交互方式，能够做到像导购员一样的双向互动，主动询问用户需求，挑选个性化的商品和给出个性化的推荐理由，目前阿里搜索团队已经在做智能导购和智能内容方向的技术原型及论证，智能导购在技术上主要是借鉴对话系统，通过引导用户和引擎对话与关键字推荐方式互为补充，包括自然语言理解，对话策略，对话生成，知识推理、知识问答和商品搜索等模块，功能主要包括：
a. 根据用户搜索上下文生成引导用户主动交互的文本，比如搜索“奶粉”时，会生成“您宝宝多大？0~6个月，6个月到1岁….”引导文案，提示用户细化搜索意图，如果用户输入“3个月”后，会召回相应段位的奶粉，并在后续的搜索中会记住对话状态“3个月”宝宝和提示用户“以下是适合3个月宝宝的奶粉”。
b. 知识导购，包含提高售前知识问答或知识提示，比如“3个月宝宝吃什么奶粉” 回答“1段”。目前对话技术正在提高中，尤其是在多轮对话状态跟踪、知识问答和自动评价几个方面，但随着深度学习、强化学习和生成对抗学习等技术在NLP、对话策略、阅读理解等领域的应用，越来越多的训练数据和应用场景，domainspecific 的对话技术未来几年应该会突飞猛进。智能内容生成，包括生成或辅助人工生成商品和清单的“卖点”，短标题和文本摘要等，让淘宝商品表达更加个性化和多元化。
语义搜索。语义搜索主要是解决关键字和商品内容之间的语义鸿沟，比如搜索“2~3周岁宝宝外套”，如果按照关键字匹配召回结果会远小于实际语义匹配的商品。
语义搜索的范围主要包括：
a. query tagging和改写，比如新品，年龄，尺码，店铺名，属性，类目等搜索意图识别和归一化，query tagging模型是用的经典的序列标注模型 bi-lstm + CRF，而标签分类（归一化）作为模型另外一个任务，将序列标注和分类融合在一起学习。
b. query 改写，主要是计算query之间相似度，把一个query改写成多个语义相似的query，通常做法是先用不同改写策略生成改写候选query集合，比如词替换、向量化后top k、点击商品相似度等，然后在用ltr对后续集合排序找出合适的改写集合，模型设计和训练相对简单，比较难的是如何构建高质量的训练样本集合，线上我们用bandit 的方法探测部分query 改写结果的优劣，离线则用规则和生成对抗网络生成一批质量较高的样本。
c. 商品内容理解和语义标签，通过商品图片，详情页，评价和同义词，上下位词等给商品打标签或扩充商品索引内容，比如用 image tagging技术生成图片的文本标签丰富商品内容，或者更进一步用直接用图片向量和文本向量融合，实现富媒体的检索和查询。
d. 语义匹配，经典的DSSM模型技术把query 和商品变成向量，用向量内积表达语义相似度，在问答或阅读理解中大量用到多层LSTM + attention 做语义匹配，同样高质量样本，特别是高质量负样本很大程度上决定了模型的质量，我们没有采样效率很低的随机负采样，而是基于电商知识图谱，通过生成字面相似但不相关的query及相关文档的方法生成负样本。
从上面可以看到querytagging、query相似度、语义匹配和语义相关性是多个目标不同但关联程度非常高的任务。下一步计划用统一的语义计算框架支持不同的语义计算任务，具体包括：
1. 开发基于商品内容的商品表征学习框架，为商品内容理解，内容生成，商品召回和相关性提供统一的商品表征学习框架，重点包括商品标题，属性，详情页和评价等文本信息抽取，图像特征抽取和多模信号融合。
2. query 表征学习框架，为query类目预测，query改写，query 推荐等提供统一的表征学习框架，重点通过多个query 相似任务训练统一的query表征学习模型。
3. 语义召回，语义相关性等业务应用模型框架。语义搜索除了增加搜索结果相关性，提升用户体验外，也可以一定程度上遏制淘宝商品标题堆砌热门关键词的问题。
智能匹配。这里主要是指个性化和排序。内容包括：
a. ibrain (深度用户感知网络)，搜索或推荐中个性化的重点是用户的理解与表达，基于淘宝的用户画像静态特征和用户行为动态特征，我们基于multi-modalslearning、multi-taskrepresentation learning以及LSTM的相关技术，从海量用户行为日志中直接学习用户的通用表达，该学习方法善于“总结经验”、“触类旁通”，使得到的用户表达更基础且更全面，能够直接用于用户行为识别、偏好预估、个性化召回、个性化排序等任务，在搜索、推荐和广告等个性化业务中有广泛的应用场景，感知网络超过10B个参数，已经学习了几千亿次的用户行为，并且会保持不间断的增量学习越来越聪明。
b. 多模学习，淘宝商品有文本、图像、标签、id 、品牌、类目、店铺及统计特征，这些特征彼此有一定程度的冗余和互补，我们利用多模学习通过多模联合学习方法把多维度特征融合在一起形成统一的商品标准，并多模联合学习中引入self-attention实现特征维度在不同场景下的差异，比如女装下图片特征比较重要，3C下文本比较重要等。
c. deepfm，相对wide& deep 模型，deepfm 增加了特征组合能力，基于先验知识的组合特征能够应用到深度学习模型中，提升模型预测精度。
d. 在线深度排序模型，由于行为类型和商品重要性差异，每个样本学习权重不同，通过样本池对大权重样本重复copy分批学习，有效的提升了模型学习稳定性，同时通过融合用户状态深度ltr模型实现了千人千面的排序模型学习。
e. 全局排序，ltr只对单个文档打分然后按照ltr分数和打散规则排序，容易导致搜索结果同质化，影响总页效率，全局排序通过已知排序结果做为上下文预测下一个位置的商品点击概率，有效提升了总页排序效率。
f. 另外工程还实现了基于用户和商品向量的向量召回引擎，相对倒排索引，向量化召回泛化能力更强，对语义搜索和提高个性化匹配深度是非常有价值的。以上实现了搜索从召回、排序特征、排序模型、个性化和重排的深度学习升级，在双11无线商品搜索中带来超过10% (AB-Test)的搜索指标提升。
多智能体协同学习实现智能决策
搜索中个性化产品都是成交最大化，导致的问题是搜索结果趋同，浪费曝光，今年做的一个重要工作是利用多智能体协同学习技术，实现了搜索多个异构场景间的环境感知、场景通信、单独决策和联合学习，实现联合收益最大化，而不是此消彼长，在今年双11中联合优化版本带来的店铺内和无线搜索综合指标提升12% (AB-Test)，比非联合优化版本高3% (AB-Test)。
性能优化。在深度学习刚起步的时候，我们意识到深度模型inference性能会是一个瓶颈，所以在这方面做了大量的调研和实验，包括模型压缩(剪枝)，低秩分解，量化和二值网络。
通过以上技术，今年双11期间在手淘默认搜索、店铺内搜索、店铺搜索等均取得了10% (AB-Test)以上的搜索指标提升。
阿里巴巴人工智能搜索应用的未来计划
通用用户表征学习
前面介绍的DUPN 是一个非常不错的用户表征学习模型，但基于query 的attention 只适合搜索，同时缺少基于日志来源的attention，难以推广到其他业务，在思考做一个能够适合多个业务场景的用户表征模型，非搜索业务做些简单fine tuning 就能取得比较好的效果；同时用户购物偏好受季节和周期等影响，时间跨度非常大，最近K个行为序列假设太简单，我们在思考能够做life-long learning 的模型，能够学习用户过去几年的行为序列；
搜索链路联合优化
从用户进入搜索到离开搜索链路中的整体优化，比如搜索前的query 引导（底纹），搜索中的商品和内容排序，搜索后的query推荐（锦囊）等场景；
跨场景联合优化
今年搜索内部主搜索和店铺内搜索联合优化取得了很好的结果，未来希望能够拓展在更多大流量场景，提高手淘的整体购物体验；
多目标联合优化
搜索除了成交外，还需要承担卖家多样性，流量公平性，流量商业化等居多平台和卖家的诉求，搜索产品中除了商品搜索外还有“穹顶”，“主题搜索”，“锦囊”，“内容搜索”等非商品搜索内容，不同搜索目标和不同内容（物种）之间的联合优化未来很值得深挖。
智能交互
“搜索排序做的再好，搜索也只是一个工具”，如何把搜索从工具做成私人导购助手，能够听懂你的语言，了解你的情绪，能够对话和多轮交互，解决售前售后困惑，推荐更加个性化的商品应该是搜索未来的另外一个主要发展方向。
经过三年的历练，张大胖已经成为了一个利用Lucene这个著名的开源软件做搜索的高手，各种细节知识和最佳实践尽在掌握。
（张大胖的学搜索的历程参见上一篇文章：《搜索之路》）
随着互联网应用的爆炸式增长，搜索变成了网站的一个常见需求，各个网站都想搜索产品，搜索帖子，搜索服务……张大胖的“业务”变得十分繁忙，经常在业余时间给人做Lucene的咨询，赚了不少外快。
但是张大胖也敏锐地觉察到了两个问题：
1. Lucene做搜索很强大，但是API用起来太“低级”，很多人抱怨：我就想搜索一下我的产品描述，现在还得理解什么“Directory”,”Analyzer”,”IndexWriter”，实在是太复杂了！
2. 互联网的数据是海量的，仅仅是单机存储索引是远远不够的。
俗话说：“软件开发中遇到的所有问题，都可以通过增加一层抽象而得以解决”。 张大胖觉得，是时候对Lucene做一个抽象了。
Java API -> Web API
保险起见，张大胖拉了大神Bill来做顾问，帮自己设计。
这个新的抽象层应该对外提供一个什么样的API呢？
很多时候，Web开发面对的都是领域模型，比如User,Product, Blog，Account之类。用户想做的无非就是搜索产品的描述， 搜索Blog的标题，内容等等。
张大胖说：“如果能围绕着领域模型的概念进行搜索的各种操作就好了，这样简单而直接，如同CRUD。”
Bill 提示到：“Web时代了，程序员都喜欢采用RESTful的方式来描述一个Web资源， 对于搜索而言，完全可以借鉴一下嘛！”
张大胖眼前一亮： “要不这样？”
/coolspace/blog/1001 : 表示一个编号为1001的博客
/coolspace/user/u3876：表示一个ID为u3876的用户
/coolspace表示一个“索引库”
/blog ,/user 表示“索引的类型”（可以理解为编程中的领域模型）。 1001， u3876表示数据的ID
格式是/<index>/<type>/<id>
如果和关系数据库做个类比的话：
索引库<—>数据库
索引的类型 <—>数据库的表
Bill说：“这样挺好的，用户看到的就是领域模型， 当用户想去操作时候，用HTTP的GET, PUT等操作就好了，交互的数据可以使用JSON这个简单的格式。”
张大胖开始定义基本的操作。
（1） 把文档加入索引库
例如：把一个blog的“文档”加入索引库，这个文档的数据是JSON格式，其中的每个字段将来都可以被搜索：
PUT /coolspace/blog/ 1001
{
“title”: “xxxxxxx”,
“content”: “xxxxxxxxxxxx”,
“author”: “xxxxx”,
“create_date”: “xxxxxx”
…
}
(注：当然，在发起HTTP请求的时候，需要加上服务器的地址和端口，下同。)
（2）把一个blog文档删除，从此就再也搜索不到了：
DELETE /coolspace/blog/1001
（3） 用户搜索
用户想搜索的时候也很简单，发起一个这样的请求就行：
GET /coolspace/blog/_search
但是如何表达查询的具体需求呢，这时候必须得定义一个规范了，例如：想查询一个内容字段（content)包含“java”的 blog。
GET/coolspace/blog/_search
{
“query”: {
“match”: {
“content”: “java”
}
}
}
这个query下面可以增加更加复杂的条件，表示用户的查询需求，反正是JSON格式，可以非常灵活。
返回值也是JSON， 这里就不再展示了。
这个抽象层是以HTTP+JSON来表示的， 和具体的编程语言无关，不管是Java， 还是Python，Ruby，只要能发起HTTP调用，就可以使用。
通过这样一个抽象层， Lucene那些复杂的API全部被隐藏到了海平面以下。
对于程序员来说，使用HTTP+JSON是非常自然的事情，好用就是最大的生产力。
分布式
到目前为止，进展还算顺利，接下来要考虑的就是如何存储海量的索引数据。
张大胖说： “这个简单，如果索引太大，我们把它切割一下，分成一片一片的，存储到各个机器上不就得了？”
Bill问道： “想得美！ 你分片以后，用户去保存索引的时候，还有搜索索引数据的时候，到哪个机器上去取？”
张大胖说：“这个简单，首先我们保存每个分片和机器之间的对应关系， 嗯，我觉得叫node显得更专业。”
分片1 ：node1
分片2 ：node2
分片3 ：node3
“分片在英文中叫做shard。 ” Bill 友情提示。
“好的， 然后可以用余数算法来确定一个‘文档’到底保存在哪个shard中。” 虽然张大胖觉得这个词看起来不爽，还是开始使用了
shard 编号 = hash(文档的ID) % shard 总数
“这样对于任意一个文档，对它的ID做hash计算，然后对总分片数量求余， 就可以得到shard的编号，然后就可以找到对应的机器了。 ” 张大胖觉得自己的这个算法又简单，效率又高，洋洋得意。
Bill觉得这两年张大胖进步不小，开始使用算法来解决问题了， 他问道：“如果用户想增加shard数该怎么处理呢？ 这个余数算法就会出问题啊 ！”
比如原来shard 总数是3， hash值是100， shard编号 = 100 % 3 = 1
假设用户又增加了两台机器，shard总数变成了5， 此时 shard 编号 = 100 % 5 = 0 ， 如果去0号机器上去找索引，肯定是找不到的。
张大胖挠挠头：“要不采用分布式一致性算法， 嗯，它会减少出错的情况，还是无法避免，这该怎办？”
Bill建议：“要不这样，我们可以立下一个规矩：用户在创建索引库的时候，必须要指定shard数量，并且一旦指定，就不能更改了！”
PUT /coolspace
{
“settings”: {
“number_of_shards”: 3
}
}
虽然对用户来说有点不爽， 但余数算法的高效和简单确实太吸引人了，张大胖表示同意。
“索引数据分布了，如果某个节点坏掉了，数据就会丢失，我们得做个备份才行。” 张大胖的思考很深入。
“对， 我们可以用新的node 来做replica，也可以为了节省空间， 复用现有的node来做replica。为了做区分，可以把之前的分片叫做主分片，primary shard。” Bill英文就是好。
（此处的设置为：每个主分片有两个副本）
PUT /coolspace/_settings
{
“number_of_replicas”: 2
}
虽然主分片的数目在创建“索引库”的时候已经确定，但是副本的数目是可以任意增减的，这依赖于硬件的情况：性能和数量。
“现在每个主分片都有两个副本， 如果某个节点挂了也不怕，比如节点1挂了，我们可以位于节点3上的副本0提升为 主分片0， 只不过每个主分片的副本数不够两个了。” 张大胖说道。
Bill 满不在乎地说： “没事，等到节点1启动后，还可以恢复副本。”
集群
Bill和张大胖立刻意识到，他们建立了一个集群， 这个集群中可以包含若干node ， 有数据的备份，能实现高可用性。
但是另外一个问题马上就出现了：对于客户端来说，通过哪个node来读写‘文档’呢？
比如说用户要把一个’文档’加入索引库： PUT /coolspace/blog/1001， 该如何处理？
Bill说：“这样吧，我们可以让请求发送到集群的任意一个节点，每个节点都具备处理任何请求的能力。”
张大胖说：“具体怎么做呢？ ”
Bill 写下了处理过程：
（1）假设用户把请求发给了节点1
（2）系统通过余数算法得知这个’文档’应该属于主分片2，于是请求被转发到保存该主分片的节点3
（3）系统把文档保存在节点3的主分片2中，然后将请求转发至其他两个保存副本的节点。副本保存成功以后，节点3会得到通知，然后通知节点1， 节点1再通知用户。
“如果是做查询呢？ 比如说用户查询一个文档： GET /coolspace/blog/1001， 该如何处理？” 张大胖问道。
“同样，查询的请求也可以分发到任意一个节点，然后该节点可以找到主分片或者任意一个副本，返回即可。 ”
（1） 请求被发给了节点1
（2）节点1计算出该数据属于主分片2，这时候，有三个选择，分别是位于节点1的副本2， 节点2的副本2，节点3的主分片2， 假设节点1为了负载均衡，采用轮询的方式，选中了节点2，把请求转发。
（3） 节点2把数据返回给节点1， 节点1 最后返回给客户端。
“这个方式比较灵活，但是要求各个节点之间得能互通有无才行！” 张大胖说道。
“不仅如此，对于一个集群来说，还得有一个主节点（master node），这个主节点在处理数据请求上和其他节点是平等的，但是它还有更重要的工作，需要维护整个集群的状态，增加移除节点，创建/删除索引库，维护主分片和集群的关系等等。”
“那如果这个主节点挂了呢？ ” 张大胖追问。
“那只好从剩下的节点中重新选举喽！”
“哎呀，这就涉及到分布式系统的各种问题了，什么一致性，脑裂，太难了！” 张大胖开始打退堂鼓。
“我们只是选取一个Master， 要简单得多，你可以看看一个叫做Bully的算法， 改进一下应该就可以用了。 ”
开发分布式系统的难度要远远大于一个单机系统，半年以后，这个被Bill命名为Elasticsearch的系统才发布了第一个版本。
由于它屏蔽了很多Lucene的细节，又支持海量索引的存储，很快就大受欢迎。
Elasticsearch 的真正传奇
当然， Elasticsearch不是Bill和张大胖创造的，这里才是其传奇的历史：（来源：《Elasticsearch权威指南》）
许多年前，一个刚结婚的名叫 Shay Banon 的失业开发者，跟着他的妻子去了伦敦，他的妻子在那里学习厨师。 在寻找一个赚钱的工作的时候，为了给他的妻子做一个食谱搜索引擎，他开始使用 Lucene 的一个早期版本。
直接使用 Lucene 是很难的，因此 Shay 开始做一个抽象层，Java 开发者使用它可以很简单的给他们的程序添加搜索功能。 他发布了他的第一个开源项目 Compass。
后来 Shay 获得了一份工作，主要是高性能，分布式环境下的内存数据网格。这个对于高性能，实时，分布式搜索引擎的需求尤为突出， 他决定重写 Compass，把它变为一个独立的服务并取名 Elasticsearch。
第一个公开版本在2010年2月发布，从此以后，Elasticsearch 已经成为了 Github 上最活跃的项目之一，他拥有超过300名 contributors(目前736名 contributors )。 一家公司已经开始围绕 Elasticsearch 提供商业服务，并开发新的特性，但是，Elasticsearch 将永远开源并对所有人可用。
据说，Shay 的妻子还在等着她的食谱搜索引擎…
文章转自公众号：码农翻身
身处创新变革世界，活在丰富多彩时代。每天，互联网上涌动着海量信息，电子商务与现代物流如火如荼，社会消费与服务选择日益增多。如今，人们缺少的不是信息、商品、服务，而是品质、信誉、保障！
中国国家质量监督检验检疫总局局长支树平今年九月表示，目前中国假冒伪劣问题仍然比较突出，打假工作存在不少困难，包括部分企业缺乏诚信意识，甚至违法犯罪；地方政府有保护主义倾向，不愿意曝光企业，对假冒伪劣存“大事化小、小事化了”问题等。
他表示，今后中国将进一步加大打击假冒伪劣的力度，保持高压态势。对每一件涉嫌造假的线索，都要盯住不放；对每一起质量违法案件，都要一查到底；对每个造假企业，都要彻查严惩，甚至公布于众；对每一处质量造假集中的区域，都要“亮黄牌”，甚至行政约谈、挂牌督办。
铲除假冒伪劣的滋生土壤，弘扬精益求精的工匠精神，是社会的广泛共识，是人们的共同期盼！
我们承诺
新栏目将依托于日前在中国搜索上线的“国搜口碑”频道（登陆网站了解更多信息2019/20190426A/F0112179.html
对于道听途说、弄虚作假、贬损攻击、恶意炒作的点评数据，我们将主动屏蔽，不予采信。
我们关注
新栏目将在推出后不断优化，在优化中不断完善，热忱欢迎各位网友积极参与、互动与监督。
作为一个建立在新媒体平台上的开放式栏目，为了让更多人加入到创意策划中来，我们现面向广大网友公开征集栏目名称。
我们期待
所提方案入围备选栏目前三名的网友（如果创意相同，则以留言时间先后为准），将获得价值百元以上奖品一份。如果您提供的栏目名称最终被我们采纳，还将获得神秘大奖。
此外，如果您对于新栏目有什么意见和建议，也欢迎发送留言给我们。
策划：胡璇绚
作者：孟晨晨、周雅如
编审：赵嘉麟
时至今日，很少有人还认为微信只是一个简单的即时通讯工具。
借助公众号和朋友圈的海量原创内容、微信支付的普及、小程序的野蛮生长、与京东的战略合作、为各种第三方服务提供入口等，微信已经形成了一个聚合了人、信息和工具的线上生态系统。
但是平台体量与信息检索的难度成正比。微信内的信息像是一座富矿，如何让用户挖掘出有用的内容，如何让商家的服务精准地触达用户，成为这个庞大生态中亟待解决的难题。
然而近期，微信搜索开始不断发力，海量信息借助一个小小的搜索框，被再次组合和梳理。借助微信搜索的改版和升级，或许我们可以一窥微信的布局与野心，进而跟上这个超级平台的步伐，让微信更好地为自己所用。
一、微信搜索如何使用？能搜到什么？
微信搜索有两个入口：微信首页聊天界面上方搜索框，以及“发现”菜栏中的“搜一搜”。
在搜索结果页中，内容被分类展示，分为了公众号、朋友圈、文章、百科、小说、音乐、小程序、表情、问答、视频10种类型。
经过搜索发现，这些分类中，“文章”中的内容目前主要来自于微信公众号，“朋友圈”中的内容来自用户的朋友圈的原创或转载内容，“小程序”中的内容来自与该搜索词相关联的小程序。
由此直观可见，借助微信搜索，腾讯将自己的多款自有产品和战略投资的产品进行了一次梳理和整合，并且借助这个入口为一系列游离在微信之外的外部产品进行了导流。
二、微信搜索+公众号=多重维度的曝光
微信公众号是一款堪称伟大的发明，它是自媒体茁壮成长的沃土，孕育出了咪蒙、黎贝卡的异想世界等超级大号，同时也是很多创业公司的孵化器，很多创业公司如拼多多等在草莽时期都选择了微信公众号作为阵地——毕竟这样的一个聚集着10亿真实用户、年轻人占比高、付费意愿强的超级平台，带给内容创业者和商家的是极具商业回报价值的想象空间。
公众号文章是一个巨大的内容蓄水池，用户只想取出自己最需要、最感兴趣的一瓢。之前的公众号是一个封闭的系统，用户只能垂直地、点对点地关注公众号，不同的公众号之间是孤岛般隔开的，如果没有接触到某个公众号的契机，即使用户对这个公众号内容的细分领域兴趣颇高，却没有关注机会。这就造成了海量优质内容提供者难以和高质量用户相连接的局面。
微信搜索则给了公众号和文章增加了额外的曝光维度，优质内容有了被重新开采的可能，也为公众号增加了新的引流途径，尤其是一些垂直领域内的内容更容易找到有强需求的粉丝。
三、小程序+微信搜索=超级服务入口
显而易见，小程序被微信放上了重要的战略位置，从内测到公测再到正式上线，加上爆款小游戏“跳一跳”的引燃，小程序迅速攻城略地，2018年1月官方指出已上线小程序数量为58万个。小程序包含60多个流量入口，同时使用即收藏，打开后就会直接存在于用户列表上。借助微信这个大平台，小程序将形形色色的服务提供者和用户连接起来。
在4月16日的一次更新中，微信搜索的分类列表中新增了“小程序”分类。
搜索+小程序让微信走出了“搜索即服务”的重要一步。
比如，在搜一搜中搜索“火车票”，搜索结果第一条是携程小程序提供的火车票预订服务，包括购买火车票、抢票攻略、购买学生票、购票优惠四个菜单，用户可以直接进入小程序就可以便捷地购买火车票，不需要去其他APP。再下面才是朋友圈、公众号、百科等聚合内容。
现在可以实现服务直达的小程序还较少，仅限于和腾讯有合作关系的头部小程序。但4月18日腾讯公开课服务号发布了微信服务直达内测通知，微信向近一周用户访问较活跃的已认证服务号发送邀请，率先体验服务直达功能。
小程序有效地提升了场景的连接能力，降低了场景之间的连接成本，同时对于线下服务而言，提供了一个流畅便捷的入口。对于移动端已有成熟APP和微信公众号的商家而言，小程序仍然值得开发。一方面可以提升线下场景的服务体验，快速实现业务办理，另外可以减少因为APP的下载成本造成的潜在用户流失，最便捷地满足轻度用户的需求，成为自身产品体系中的有效补充。
搜索+小程序，勾勒的是微信连接人、连接服务的美好愿景。
四、微信搜索+社交关系=拓展兴趣的边界
微信搜索相较于其他搜索引擎，特点之一是增加了社会化内容的整合——可以直接用关键词搜索朋友圈的内容，搜索文章可以将范围指定为“最近读过”、“关注的公众号发布”和“朋友的分享”。
社交根植于微信的基因之中，是微信的缘起和根本价值。微信借助好友之间的聊天频率、朋友圈评论等数据反馈，编织出庞大的人际关系网。
这种聚焦于“个人及其社交关系”的搜索设计，使微信庞大而零散的社会化信息有了聚合的途径，等于在社交圈层中的“强关系”之上再叠加了主动键入搜索关键词的“强需求”，这对于个人而言，无疑是找了拓展新兴趣和新知识的有效方式——毕竟，是我们在社会中的关系和身份构成和定义了我们，微信好友所关注的信息很大程度上也为我们所关注。
搜索+社交关系，实现的是每个人兴趣边界的延展，是发现更多的可能性。
微信搜索描绘了一个关于“连接”的美好蓝图，但也必将面对诸多挑战。首先是内容库的排序展示需要进一步优化，借助更智能的算法来精准地推送用户最需要的信息；其次是跟上移动互联网时代搜索体验和方式的升级步伐，微信暂时无法实现图片和语音的搜索。
但是对于腾讯这种掌握了海量数据和算法优势的公司，只要假以时日，必定可以与现有的优秀标准持平甚至更为卓越。尤其是像微信公众号这样宝贵的内容富矿，微信必将倾其所有进行开采和挖掘，届时优质内容的价值将被进一步放大，为运营者提供全新的增长点。
特别说明：本文为智飞微网站原创文章，转载请注明原出处
原创文章，侵权必究，谢绝洗稿
前几日，百度CEO李彦宏先生在数博会上承诺——简单搜索永远没有广告，这不是第一次百度在推广他的简单搜索,应该说一直以来，百度一直在大力推广简单搜索,甚至放弃传统广告的利润来推广。但是，或许你不知道，百度还有一款产品——百度语音，广告语是：基础服务，永久免费！
百度想干什么？
几年前，苹果手机之间发短信是免费的，小米手机之间发短信也是免费的，但是小米手机给苹果手机发短信是收费的，于是出现了微信，大家发信息，都是免费的，皆大欢喜。
百度，也是这个路子。百度未来的方向：
1.统一语音助手功能，包括语音搜索。
目前市场上，不带个语音助理的智能手机都不能称之为智能手机，苹果有Siri,小米有小爱同学。但是在中国范围内，语音识别核心技术最强的还是百度。各个手机厂家的语音助理技术水平也是参差不齐。百度的期望很简单：你们都换成我百度的语音助手，所以，百度APP的推广只是第一步，也是最难的一步。
要知道，语音助手的搜索功能分走了百度非常多的流量和利润，换句话说语音助手是现在非常重要的一个流量入口，也是未来AI时代，最为主要的流量入口，百度想要抓住的，就是这个入口绝对的竞争优势。
想象一下，未来每部手机上都是小度机器人，利用庞大的互联网爬虫数据，百度能做的事情，不敢想象。
2.为即将到来的AI时代铺路。
先布局语音搜索，然后是各个手机厂家后台对接百度语音的基础服务，百度就会完成整个语音识别领域所有的底层建设。语音助手跟语音搜索也就融为一体。语音助手（搜索）功能会成为AI时代最为重要的人机交互入口，但也只是个入口而已。
AI的开发，很大程度上需要足够多的数据样本需要让程序机器学习。百度app和百度语音的布局就会为获得这个足够大的样本铺平道路。
3.AI时代必将来临，AI成型之后会反哺百度
AI（人工智能）的建立不仅需要一个庞大的数据库，还需要时间的积累，并不是说你有技术就可以办到。这个领域有着非常强的时间壁垒和技术壁垒。但是AI一旦成型，就像是一辆跑了起来的汽车，想停都停不住。未来许多的个性化选择比如：汽车的自动驾驶，个体的个性化搜索。都会依托AI变成另外一番模样。
现在的AI充其量最多算个婴儿，但是婴儿早晚会长大，中国的人口占世界总人口的四分之一，样本数量也远多于其他国家，先天条件存在优势，至于AI时代什么时候到来，让我们拭目以待。
在亚马逊搜索上实现您的产品的第一个列表比简单地组合一个伟大的声音列表更多的参与。当您的产品在其列表中排名时，Amazon算法会考虑大量因素。但是，通过一些额外的努力，您可以开始将产品移动到排名上，并将其放在搜索结果的第一页上。这里有十种方法可以使用SEO来提升您的亚马逊排名。
了解A9
A9是Amazon的搜索算法，它是用于帮助他们在搜索结果中对产品进行排名的工具。如果您了解A9如何工作，您将能够进行必要的细微更改，以帮助您提升排名。而且，由于它总是在变化，您必须不断地对自己进行教育并对产品列表进行更改。
Amazon SEO与搜索引擎SEO不同
所有的搜索引擎优化都不是相等的。文章中详细介绍了亚马逊如何在美国最大的产品搜索引擎中排名，尽管Google可能会对您有所帮助，但是Amazon SEO的工作方式也不尽相同。而Google的意图是向读者提供最相关的信息，亚马逊的意图是出售产品。因此，他们的排名算法旨在将产品置于最有可能被购买的顶端。
亚马逊有两个因素来排序搜索结果 – 性能因素和相关因素。在查看性能因素时，亚马逊想知道产品过去已经与客户进行过交易。他们会考虑转换率和销售量来确定产品的成功和受欢迎程度。相关因素有助于亚马逊确定产品与搜索结果的匹配程度。这可以通过查看所涉及的关键词来弄清楚。
关键词研究是关键
只有当搜索查询与产品列表中包含的产品可以找到的关键字匹配时。比赛越相关，产品将在排名中排名越高。研究您的客户正在搜索的关键字，并将其实施到您的产品列表中。购物者通常不会浏览搜索结果页面，找到他们要找的内容。他们想要快速找到最好的产品，所以重要的是您的列表出现在搜索结果的第一页上。
近三分之一的搜索查询是长尾关键字，因为它们更详细和具体到客户正在寻找什么。这些长尾关键字的搜索速度比单个关键词更频繁地转换。查看Google AdWords了解您业务领域最受欢迎，最具竞争力的关键字和短语。
你把关键字放在哪里
因为亚马逊购物者通常会在特定的地方查看信息 – 即产品名称和图片，亚马逊将这些位置优先考虑为更重要的关键词。您的产品标题应包括立即相关的关键字。如果您有许多长尾关键字，详细介绍产品使用，收益等，请考虑将其放入项目符号列表。任何可以适合产品列表的长尾关键字都可以添加到您的后端搜索字词中。虽然这些搜索不会显示，但亚马逊仍然会收拾他们。
后端搜索可以使用长尾关键字进行优化
尽管研究最有效的长尾关键字需要花费一些时间和精力，但将其添加到产品列表的后端是非常有价值的。您可以在后端搜索中输入最多1,000个字符，以便使用它们添加客户将搜索的相关信息，这些信息无法正确地适应您的列表。您的关键字中的拼写错误可能是昂贵的，因为您的客户将搜索一件事，您可能已经输入了另一个。确保你检查发送的所有东西。如果您需要一些写作帮助，请查看写作状态或院士。
更好的SEO意味着更好的点击率
您的产品与客户的搜索匹配越好，您的产品与您想要的产品越相关，您的点击率将越高。如果您已经对SEO进行了适当的优化，并且您的产品与您的客户需要匹配，那么他们没有什么理由不要点击您的列表。简单的字数是一个方便的工具，可以保留你写的内容的时间长短。
包括FBA / Prime在您的价格
最终赢得的价格并不总是最低的，但是通过Amazon亚马逊或通过促销代码向Amazon Prime提供免费送货，总是一个好主意。 Prime的奖金是，运输不仅仅是免费的，而且它也非常快，一般在1-2天，有时在某些大城市的同一天。这只是Amazon的优化意味着超越您的列表中包含的关键字之一。
Amazon SEO高度重视转换率
一个页面的访问者数量与进行购买的人数将决定产品的转化率。价格越高，有人点击时购买产品的可能性越大。因此，亚马逊非常重视产品的转化率，因为它是产品与客户产生共鸣的良好指标。由于亚马逊的主要目标是销售产品，因此通常将转化率更高的产品排名高于其他转化率较低的产品。从像Portent这样的数字营销机构那里获得一些帮助，以便在亚马逊上有效地营销您的产品线，开启一个良好的开端。
图像对亚马逊很重要
很多时候，购物者对是否购买产品的决定可以被图片说服。如果产品缺乏图像，那么客户很有可能会通过购买它。他们想要了解他们所购买的产品，而不仅仅是描述，而是从图片中获取。使用或穿戴的产品的图片，不同的角度和特写镜头都有助于让购物者更好地了解他们期望收到的内容。而且，即使您不是平面设计师，也可以使用Canva为您的产品页面创建惊人的图像。
其他客户的评价依然是有价值的
虽然Amazon不再使用评论进行优化，但它们仍然是产品页面上的重要组成部分。他们肯定会影响您的转换率，这将影响亚马逊的排名。客户总是想听听别人对他们即将购买的产品的看法 – 无论是好是坏。对于负面评价，请记住，您总是有机会回应他们，并可能补救所遇到的问题。当您对负面评价做出回应时，请始终保持专业，有礼貌和写作准确。
作为几乎所有的电子商务商店，如果您想在线销售您的产品，亚马逊就是您的地方。但是，为了充分利用亚马逊，您必须有效地优化这些产品，登陆搜索结果的第一页。
2017年，大数据、AI智能、区块链已经突飞猛进，但设计圈互联网技术应用依然步履维艰。
小城君发现了另外一个现象，过去的2017年很多现象级项目和设计师一遍遍地刷爆朋友圈，我们认为首先这种转发行为背后是满足了大众对新设计的需求，其次一次次的刷屏也让大众的审美得到了教育与提升，符合这个时代且极具价值。
所以我们通过新榜统计微信整体数据（2017年1月1日-12月31日），联合了设计圈媒体大号（ArchDaily中国，一起设计，设计联，ASSBOOK设计食堂），做一份用数据说话的2017年度新设计榜单——NDA（New Design Award）。
2017 NDA：最具影响力空间
01
新华书店——中国最大最老的书店品牌的自我革新，一改以往的形象认知，并宣布与阿里云战略合作。
02
钟书阁——以超高的颜值持续霸占朋友圈，文艺青年们无法拒绝的社交和晒图场所，定义网红书店。
03
天津滨海图书馆——一座让外媒羡慕嫉妒恨的最美图书馆，由MVRDV + 天津市城市规划设计研究院设计。BBC、《每日邮报》《新闻周刊》纷纷为中国建筑打Call。
关键词：书店红利
书店以强大的内容链接和场景营造能力，成为继咖啡店之后新的空间红利。新设计书店带来了不以阅读/买书为唯一目的“增量用户”，空间的阅读属性被社交化体验重新定义。
2017 NDA：最具影响力人物
01
青山周平——互联网红利下成长的建筑师典型，一改建筑师高冷的形象，以亲民的设计和帅气的形象真正走入大众内心。
02
马岩松——中国少有的国际化建筑师，直面PK世界级竞标，中国建筑师进军“好莱坞”的先锋代表。
03
Heatherwick——和BIG一样的“无国界”建筑师，用创意和脑洞在全球一体化的环境中野蛮生长。
关键词：超级IP
人格是入口。它自带流量、天生带感、大众感知，以社交网络迭代传统广告，以设计人格迭代品牌LOGO，以内容跨界迭代设计说明，以场景革命迭代功能优化，输出人格化价值观是这个时代最大价值。
2017 NDA：最具影响力事件
01
贝聿铭百岁生日——82年前18岁的贝聿铭赴美学习建筑，如今百岁老人依然奋斗在设计一线，岁月易老，匠心不死。
02
RCR建筑事务所获2017普利兹克奖——默默耕耘30载的本土建造之路，“回归设计本身”是对传承最好的注脚。
03
张轲获阿尔瓦·阿尔托奖——第一位获此奖项的中国建筑师，背后是年轻的国际化团队，他们对传统文化与现代建筑的结合做了完美诠释。
关键词：匠心传承
一代人芳华已逝，又有多少人闪亮登场。老中青三代，不变的是对设计的虔诚和初心。
2017 NDA：最具影响力话题
01
雄安新区——国家百年大计，上至国家领导，下至民间街头，引发全民讨论。建筑圈对雄安新区的规划也是津津乐道，畅想未来二十年。
02
设计节——“城市更新”，2017最热门的民生话题。北京国际设计周、深港城市/建筑双城双年展、上海城市空间艺术季、上海城事设计节，都在讨论相关话题，并且产生了许多落地的优秀案例。
关键词：城市更新
互联网时代的城市更新是一种自下而上的新模式。更新中的新零售、新居住、新办公完成对传统空间的意义覆盖，将民生意愿转化为小而美积聚的设计发声。
2017 NDA：最具影响力品牌
01
StarBucks——星巴克在上海打造的2700平米烘焙工厂店，1小时入场，5小时逛完。把世界上靠咖啡续命的人聚在一起，“星巴克帝国”卖的又何止咖啡。
02
MUJI——无印良品开始建造住宅、改造老公房，试水餐饮和酒店，将“无印”的价值观植入一切空间。“MUJI风”的出现，就是一次认知胜利。
03
MINI——作为汽车品牌，却常年致力于解决目前最具挑战性的城市问题——居住。“迷你住所（MINI LIVING）”提供了一种分享式居住的空间解决方案。
关键词：“体验”场景流
设计的本质是体验，“体验”是新消费场景的核心。场景流是情绪的流动、信息的流动、数据的流动和空间的流动，流动的“涌现”带来新场景，也是新物种的成长诱因。
2017 NDA：最具影响力跨界
01
乔布斯——不管iPhoneX丑不丑，乔布斯和福斯特跨界打造的新苹果总部和乔布斯剧院是真的牛。离世多年，乔帮主的作品依然让我们Think Different。
02
吴彦祖——不会玩跨界的演员不是好建筑师。从影多年都没获得香港金像奖影帝的吴彦祖，却凭借《漂亮房子》的作品，入围英国皇家建筑师学会奖。
03
teamLab——技术与艺术的跨界产物，实体空间的边界无限弱化，虚拟空间的体验超预期真实，teamLab用技术跨越物理空间的限制，突破梦的天际。
关键词——混合内容
注意力稀缺的时代，产品不再是功能表达，因为看不到使用特性，而是情绪表达，用户因爱其的调性，而爱其产品。“多样性x文化智力=创新”，混合内容真正成为更有效率的入口。
2017 NDA：最具影响力节目
01
《一条》——一条近期的视频文章，设计类占据半壁江山。好设计与用户情感通过3-5分钟的视觉体验形成高度共鸣，强大的传播效应让圈内媒体可望而不可及。其中，设计类视频《一个人住，2.363平米就够了》260万播放量。
《一条》2017年自媒体数据
02
经《一席》官方提供的后台数据，徐腾单篇微信阅读量202万，一席全年总阅读3136万。
《一席》2017年自媒体数据
03
《漂亮的房子》——IP+IP=IP2。《漂亮的房子》用明星+建筑师的模式，让大众了解并参与建筑的产生过程，真正感知设计的普世价值。
关键词：大众认知
互联网时代，设计属于大众而不是小众。这些节目以外来野蛮人的姿态，重新定义了大众认知下的设计价值。圈内主流媒体毫无知觉：杀死你，与你无关。
2017 NDA：最具影响力改造
01
百变智居——张海翱在《一条》的三个视频：升降楼板房，变形集装箱，垂直园林家，引爆朋友圈。其中升降楼板的视频，全网分发量超过一个亿。
02
八分园——如果说俞挺是建筑圈网感最好的设计师，一点都不为过。这个由过时售楼处改造的园子一发表，就在Instagram上收到了10000个点赞。
03
台湾士东市场——35个设计师5天改造传统菜市场，脏乱差的菜市场突显文艺气质，“桃园眷村”的既视感。全台湾的年轻人都迫不及待地去过足嘴瘾和眼瘾。
04
城事设计节 | 文化与更新——AssBook设计食堂发起并主办的“2017城事设计节|文化与更新”，代表了新生的设计力量参与城市更新的激情及执行力。运用新媒体+新设计+新组织的方式，让好设计发声并服务于城市，最终实现政府机关、企业品牌、设计团体、在地居民的多赢。
关键词：设计力
只有设计和创意，才能打开这个时代——万物皆为设计。所谓设计力，是用户角度的提案。互联网的产品思维和用户思维，正在影响着走在前端的建筑师们，而改造正是这些设计力的最佳出口。
2017 NDA：最具影响力技术
01
装配式建筑——一个上热搜的专业词汇。国务院常务会议专项提案，各大开发商齐齐研发试水。相信不久将来，工地上将很难看到农民工兄弟的身影了。
02
MIR.效果图——一张单图收费3.5万，而且从不接受砍价、改图、催图，设计师连角度都没资格选。这个只有13人的团队，被称为“最懂设计师的效果图公司”。
03
xKool小库——中国第一位人工智能建筑师。AlphaGo击败李世石、柯洁历历在目，xKool的机器深度学习却正在帮助建筑师完成更多的挑战。
关键词：智能革命
以人工智能为核心技术驱动的新一轮技术革命与产业革命，将会大大拓展人类的脑力，成为人类社会发展进程中的又一次重大跨越。
NDA（New Design Award）
未来，NDA（New Design Award）将继续聚焦“新设计”，从建筑设计、室内设计到景观设计，每个季度发布最新最权威的传播数据榜单。
其中，季度榜单得主即入围NDA（New Design Award）新设计年度榜单。
NDA（New Design Award），用数据说话的新设计榜单！
NDA 2017 新设计年度榜单
联合主办：
ArchDaily中国 / 一起设计 / 设计联/ AssBook设计食堂
媒体支持：
日本设计小站 / 一人一城 / VICE创想计划 / 简二家 / 彼山/ OnePoint儿
第三方数据工具：新榜（内容服务平台）
评选程序：
由联合主办方汇总初选范围，结合支持媒体意见，得出关键词；由此通过“新榜”统计2017年1月1日-12月31日的微信数据；最后汇总得出全年大数据。
小城君
最近正在进行一次大规模的调研
想和你们一起，
探讨一下将来一人一城的样子
长 按 识 别 下 方 二 维 码 参 与 小 城 君 的 调 研
把 你 想 说 的 话 告 诉 小 城 君
这一次，小城君需要你们的帮助！
一人一城还有很多想要改变的地方，点击阅读原文把你想说的话告诉小城君吧
作者：艾奇菌
来源：www.27sem.com
继上次跟大家分享搜索引擎市场排行（最新数据排行！百度 360 搜狗 神马搜索 哪个渠道流量大？）引起了很大的热议，也有小伙伴留言对数据有疑问，比如：
不过后台也有支持神马的小伙伴站出来力挺：
不论我们再怎么热议，4月最新搜索引擎市场排行榜（中国&全球）还是来了，此次更新的数据，在原来数据维度的基础上，艾奇菌加入了浏览器市场占比以及移动供应商的数据排行，可以多方面进行广告投放的参考。
一、2018年4月，搜索引擎市场占有率排行榜（中国）
2018年4月，国内市场份额综合排行（PC+移动）：
百度为 77.53%，排名第一；
神马第二，市场份额为9.35%；
360搜索第三，市场份额为6.37%；
搜狗搜索第四，市场份额为3.59%；
Google第五，市场份额为1.67%；
必应第六，市场份额为0.65%；
其他搜索引擎的市场份额为1.48%……
2018年4月，国内搜索引擎的PC端市场份额（Platform：Desktop）：
百度 61.21%；
360搜索 24.32%；
Google 5.21%；
搜狗搜索 4.05%；
必应 4.00%；
其他：1.21%……
2018年4月，国内搜索引擎的移动端市场份额
（Platform：Mobile+Tablet）：
百度 81.94%；
神马 12.25%；
搜狗搜索 3.52%；
360搜索 1.22%；
Google 0.64%；
其他：0.43……
二、搜索引擎市场占有率排行榜（全球）
2018年4月，Google全球市场份额为 90.61%，排名第一（即最大）；
Bing第二，市场份额为3.24%；
Yahoo！第三，市场份额为从2.09%；
百度第四，市场份额为2.04%；
Yandex第五，市场份额0.68%；
其他搜索引擎的市场份额合计为1.36%
三、浏览器市场占有率排行（中国&全球）
2018年4月，国内浏览器市场份额占比：
谷歌浏览器国内市场份额占比第一：49.68%；
UC浏览器 13.44%；
QQ浏览器 11.11%；
Safari 浏览器 10.14%；
IE浏览器 4.14%；
Android占比 3.21%；
Firefox 2.58%；
搜狗浏览器 2.32%；
Edge 1.13%；
其他浏览器市场占比 2.25%……
2018年4月，全球浏览器市场份额占比：
谷歌浏览器全球市场份额占比第一：57.36%；
Safari 浏览器 13.96%；
UC浏览器 7.88%；
Firefox 5.45%；
Oprea 3.83%；
IE浏览器 3.21%；
三星互联网 2.69%
Edge 1.98%；
Android占比 1.59%；
搜狗浏览器 2.32%；
其他浏览器市场占比 2.04%……
四、移动供应商市场份额（国内）
2018年4月，移动供应商国内市场份额占比：
苹果 国内市场份额占比第一：22.13%；
华为 20.21%；
OPPO 12.58%；
不确定来源 10.27%；
小米 9.8%；
Mobicel 7.16%；
步步高 6.27%
三星 4.67%；
魅族 1.87%；
LeEco 0.75%；
其他移动供应商市场占比 4.28%……
* 以上数据仅供参考，具体数值以各平台官方披露数据为准。
找渠道、找客户，上艾奇线索网发布/查看需求！
http://www.27sem.com/xiansuowang