Zoekalgoritme

Zoeken in e-commerce begon ooit heel simpel: de zoekmachine keek alleen naar woorden die een websitebezoeker intypte. Dit heet keyword search (woordzoek). Als iemand bijvoorbeeld “rode jas” typte, kreeg je alleen resultaten met precies die woorden: "rode" en "jas". Het systeem snapte dus niet waarom iemand die zoekopdracht deed, of wat ze echt bedoelden.

Dat werkt prima als je precies weet wat je zoekt, maar het is beperkt. Websitebezoekers gebruiken namelijk allerlei woorden, synoniemen, of maken fouten. Denk aan:

  • “regenjack” i.p.v. “regenjas”

  • “witte sneakers” i.p.v. “sportschoenen”

  • “outfit voor bruiloft” i.p.v. “feestjurk”

Wat doet Vector Search anders?

Vector Search gebruikt AI om te begrijpen wat iemand bedoelt, niet alleen wat er letterlijk staat. In plaats van te zoeken op exacte woorden, zet het systeem woorden om in vectoren – dit zijn getallenreeksen die een betekenis voorstellen in een denkbeeldige ruimte.

Producten en zoekopdrachten worden dan punten in die ruimte. En hoe dichter twee punten bij elkaar liggen, hoe meer ze inhoudelijk op elkaar lijken. Je zoekt dus niet op woorden, maar op betekenisvolle afstand.

Voor gebruik van de Vector Search is de zoekalgoritme weging vereist.

Vector Search is onderdeel van de Smart Search oplossing en daarmee afhankelijk van jouw contract of je hier gebruik van kan maken. 
Heb je interesse in de Vector Search? Neem hiervoor contact op met jouw Customer Succes Manager. 


Voorbeeld:

ChatGPT Image Apr 22, 2025, 09_21_29 AM.png

  • De zoekzin “zomerjurk” staat dichtbij “lichte jurk” en “strandjurk”

  • Maar verder weg van “winterjas” of “spijkerbroek”

Op welke plaats in het zoekalgoritme stel je het Vector Search algoritme in?

Het advies is om de Vector Search in te stellen na de eerste Word Search en in ieder geval voor de Autocorrect, dit i.v.m. de zoekzin die vervormd wordt wat weer effect heeft op de werking van de Vector Search. Je kan slechts één Vector Search toevoegen in het zoekalgoritme.

Vector Search zoekalgoritme.png
Via de accuraatheid geef je een drempel aan voor een product om gevonden te worden via de Vector Search. 

Dit is ondergronds een berekening die als volgt werkt voor de afstand:

Hogere accuraatheid en daarmee kleinere afstand tot de dimensies
Voorbeeld Vector Search.png
Vector Search voorbeeld 1 zoeklog.png

Lagere accuraatheid en daarmee grotere afstand tussen de dimensies

Vector Search voorbeeld 2.png

Vector Search voorbeeld 2 zoeklog.png

 


Kom je er na het lezen van de relevante artikelen nog steeds niet uit?