问题：
(1)个性化排序
伴随业务发展需要，同时细分用户群体，为了最大程度优化服务质量、满足更大群体的具体业务场景，个性化的排序越来越引起高度重视。传统的文本相关性只是第一维的参考，针对业务多维度综合得分的二维排序最终影响排序。而一个平台上面临的服务群体、服务场景多种多样，有行业属性、地域属性、技术属性、运营属性等，很难完全统一，完全归一化到一个计算公式中去。相反，针对类目、行业等属性，局部优化，影响和改进进度和风险都大大都到控制。应用更希望有针对性的个个优化，而不寻求一个统一的模型，兼容各方面维度需求。
对于引擎来说，单维度排序实现是比较容易的，但是当出现10个、20甚至50多个维度的时候，索引结构变得臃肿，schema管理起来费劲。
另外，直接单维度原始值，非常容易引起作弊，从而影响公平性。这是个性化排序需要深入防范的，在突出重点因子的时候，是需要平衡其他因子的，否则钻孔子、作弊就会影响服务的客观性。
(2)一致性
由于垂直，使得业务领域或者边界相对来说比较清晰。业务的主体属性、主体行为，相关的结果某种程度是可控的。但是一个垂直平台上绝不是单一的一个服务，相反是高度聚合的相关联的、专业的、全面的服务产品。从入口到帮助到离开，与核心应用相关的各种辅助、促进、支持的信息一应俱全。而具体服务满足个性化、特殊阶段等需求，使得数据存在某些不一致性。而这种不一致性，伴随应用扩展，更加清晰。
例如
图片的分类和文本描述的不一致性，图片的文本属性和图片直观的感受不一致，具体商品的价格和排序的价格或者标榜的价格不直接吻合，可能只有店铺中得一件商品是哪个最低价，误导用户全部商品都是哪个最低价。频繁的来回修改属性、风格、模板等，为了争取排序机会，而实际有效变动很少，变动的贡献值的度量化变得复杂。个别用户的粉丝、关注呈异常增长趋势，这与业务总体趋势极为不一致，对突发和非常规的监控成为垂直场景中，最容易忽视的环境。因为这些不一致不影响功能，似乎被认作锦上添花之举。实际上，各个创业公司在细分市场上打拼，玩的就是细致、专注、一丝不苟。当一致性的存在被放大或者默许，高质量的信息就会被稀释，甚至完全淹没。为什么很多应用前景都是乐观的，而实际总是没有大的突破，我觉的和细节处理有很大关联，只追求上线的那刻，忽视了后续持续的质量提升，因为后面的工作好比鸡蛋里找骨头。
(3)数据挖掘
没有挖掘的搜索，最终就是一个弱化的存储。没有挖掘的垂直市场，应用迟早断送了用户群体。垂直化数据本身就非常具有一定局限性、自包含性、内容为主型。在平台上，不推新破旧，不时时对用户提供小惊喜，热度过后，口碑是否能持续和忠实粉丝不流失，不得不考虑。如果只是短期应付，不考虑更长期的发展，这个产品走不远。垂直的应用往往可以简单理解为一个工具，一个工具最重要的是轻巧、舒适、小创意。体验为王！
(4)归一化
信息来源的丰富，评论、分享、图片、商品、转发、关注、粉丝、交易、成交、更新、价格….
既有具体维度的需求，也有综合维度的需求。需要对多来源信息贡献值进行归一化。好处就是，提升默认排序的质量，减少交互或者导航的成本，通过首页的高质量信息，逐步在用户阅读、浏览过程中，自然的导航到准确或者扩展信息源。避免页面过多的选择、点击或者跳转。这个与目前垂直的”丰富性”“明确性”似乎背道而驰。在本身边界、业务场景相对单一的场景下，继续追求统一、简单，显得有点“强人所难”。如果说做到什么样的归一化最好呢，可以拿手机体验做参照，页面可以做到和手机一样的体验，归一化就差不多到位了。这是个人理解的，不一定合理。
另外，归一化后，垂直服务对为输出可能更容易维护。利于，有归一化度量的“用户质量”(关注、粉丝、分享、评论)或者“特征集”(分享兴趣、关注兴趣、转发兴趣等)，这样其他垂直对用户排序可以参照用户质量，对用户关联推荐，可以直接引用特征集等。
归一化和挖掘输出紧密关联，归一化细分更多、更丰富丰富，挖掘就更加容易发现和输出新内容。
所有这些问题，最后离不开搜索的支持，离不开索引的设计、排序的优化。