搜索 和 推荐，都是探索未知的方式。
如果说搜索是明确意图，“知道我不知道”；
那么推荐就是泛意图，“不知道我不知道”。
搜索和推荐就像是一把尺的两端，只有明确度的差异，而没有严格的不同。从服务理解的角度来看，搜索和推荐是能够互通的。
我们可以将推荐理解为：并发检索了( 一个query集合、不同query下有权重差异性) 的搜索，从而实现推荐和搜索的认知统一。
比如，对于一个对网球感兴趣的用户，可以同时通过搜索和推荐来满足自己的信息获取欲：
他可以搜索“纳达尔”，从而得到一个围绕球星“纳达尔”的搜索结果集合；
他也可以浏览网球相关的频道，系统基于他过去的行为，抽离出{“纳达尔”、“法网”、“诺瓦克”}等一系列的Query，并辅以权重{“纳达尔”：0.9、“法网”：0.5、“诺瓦克”：0.3}，从而得到一个综合的推荐结果集，其中和纳达尔相关的信息多些，和法网、诺瓦克相关的信息稍微少一些。
又如，这个用户搜索了“网球”。
在这个泛化的query下，用户的搜索结果列表，是否应该和他的网球频道的推荐列表保持一致呢？
在用户没有提供额外意图信息的情况下，这个结果是显而易见的。
从提供服务的角度来看，我们也试图泛化或收敛用户的意图：
在搜索中，我们会通过相关Query，来不断拓展用户的意图，从一个点远航到更广阔的天地。我们可以观察百度搜索引擎的做法，在百度中检索“网球”，页面底部会出现如“网球打法”、“网球培训班”的相关query推荐，页面右侧也会出现其他体育赛事的推荐。
而在推荐中，我们也在通过一次次的触探，来收敛用户的偏好，从广阔的天地中找到用户的舒适区。并在推荐中，提供了筛选、正负反馈等方式，来引导用户更多的主动表达，对自己的意图进行收敛。
进一步，在今天的搜索中， 早已经不是千人一面，所有人搜索同一个Query得到同一个结果了。而是会结合用户的过往行为，去找寻可以应用在搜索结果集的重排序依据。例如，在淘宝搜索连衣裙的例子，会结合用户的过往消费水平 和 消费习惯，进行搜索结果的重排序。这种过往行为的利用，甚至可能是跨品类的。比如，用户过往在鞋上的消费较高，那么可以预估他对于服饰类能够承受的价格也相对较高；如果他过往偏好于某一风格或品牌，那么当进行“连衣裙”这个品类的检索时，就可以优先展示对应的风格或品牌。
回到上文提到的“网球”的例子，如果用户过往有查看网球赛事的行为、有查看球星“纳达尔”的行为，那么当用户重复搜索的时候，查看网球赛事、查看球星“纳达尔”的行为就都应该成为这次搜索动作可以依赖的前置信息，从而提升用户的搜索体感。
积累用户更多的信息，正确的理解和归因信息，有效的泛化利用信息，就成为了有效迭代推荐和搜索的前置条件。
当然，用户永远是懒的，用户永远有好奇心。这就使得搜索一定会是少数人使用的高门槛操作，对于更多的人来说，推荐 和 泛化品类词的搜索才是更好的解决方案。
