Meitun Search 3.0 nutzt große Modelle, um die Suchinfrastruktur für das lokale Leben neu zu gestalten

Mit den Fortschritten bei der Technologie der großen Sprachmodelle (LLM) erleben Suchmaschinen derzeit einen dritten Paradigmenwechsel: Sie entwickeln sich weg vom traditionellen, auf Schlüsselwörtern basierenden Textabgleich hin zu einer 3.0-Ära, in der das Verständnis komplexer Absichten und kognitive Entscheidungsfindung im Mittelpunkt stehen. Kürzlich veröffentlichte das technische Team von Meituan eine ausführliche technische Analyse, in der drei Iterationen von „Meituan Search 3.0“ im Rahmen von Ranking-Szenarien für den Dienstleistungshandel detailliert beschrieben und der Implementierungsweg sowie der Kernnutzen der semantischen Darstellung durch LLM in komplexen lokalen Lebenskontexten dargelegt wurden.

I. Durchbruch im Dienstleistungshandel: Vom traditionellen lexikalischen Abgleich zur semantischen Rekonstruktion durch LLM

Der Dienstleistungshandel unterscheidet sich in seinem Geschäftsmodell grundlegend vom Produkt-Einzelhandel. Im Gegensatz zum stark standardisierten Produkt-Einzelhandel zeichnen sich der Dienstleistungshandel und die lokalen Lifestyle-Szenarien von Meituan durch vielfältige Kategorien, unterschiedliche Suchanforderungen (transaktional, informativ und zur Lead-Generierung) sowie ein in hohem Maße nicht standardisiertes Angebot aus.

Bei alltäglichen Suchanfragen stützen sich traditionelle Ranking-Modelle stark auf lexikalische Übereinstimmungen. Angesichts einer Vielzahl von Long-Tail-Kategorien und komplexer Nutzerabsichten erweist sich die Generalisierungsfähigkeit des traditionellen Feature-Engineering jedoch als eindeutig unzureichend. Wenn ein Nutzer beispielsweise nach „Haustier-Spa + Bad“ sucht, könnte der entsprechende Händler- oder Produktname „Reinigungs- und Pflegepaket für Haustiere“ lauten; bei der Suche nach „Frühlingsfest-Großreinigung“ könnte es sich um ein „Paket für Grundreinigung“ handeln. In solchen typischen Fällen gibt es oberflächlich betrachtet kaum Überschneidungen zwischen der Suchanfrage und dem Angebot, doch ihre zugrunde liegende Semantik ist eng miteinander verbunden.

Um diese traditionelle semantische Lücke zu schließen, hat das Team für das Suchranking im Dienstleistungs- und Einzelhandelsbereich bei Meituan im vergangenen Jahr systematisch die Anwendung von LLMs in Ranking-Modellen untersucht. Durch die Generierung hochwertiger semantischer Vektordarstellungen für Suchanfragen (Query), Händler (POI) und Angebote (Deal) haben sie mithilfe der Kosinus-Ähnlichkeit semantische Abgleichssignale in das Ranking-Modell eingebracht und damit einen Sprung von der Einzelpunkt-Merkmalsvalidierung zur systematischen Rekonstruktion und schließlich zur szenarioübergreifenden Migration und Wiederverwendung erreicht.

II. Drei Phasen der technischen Entwicklung: Von der Machbarkeitsprüfung bis zum Aufbau eines vollwertigen Systems

1. Phase I: Einführung der LLM-Semantikdarstellung in das Ranking (Überprüfung der Machbarkeit)

In der ersten Phase war das Kernziel des Teams einfach: zu überprüfen, ob LLM-Darstellungen das Ranking-Modell wesentlich unterstützen können.

Technisches Design: Ein Open-Source-Basismodell mit wenigen Parametern wurde für das Full-Parameter-Fine-Tuning ausgewählt, wobei spezielle Tokens als Aggregationsanker in den Wortschatz eingeführt wurden. Attention-Masken wurden sorgfältig entworfen, um Suchanfragen von Händlerinformationen zu isolieren. Einbindung von Merkmalen: Nachdem das Modell Einbettungen generiert hatte, wurde die Kosinus-Ähnlichkeit berechnet und diskret in Klassen eingeteilt; anschließend wurden diese als lernbare Einbettungen in die Merkmale des Ranking-Modells verkettet. Online-Ergebnisse: Die Offline-Validierung zeigte eine signifikante Verbesserung des NDCG-Werts für Klicks. Nach der Bereitstellung verzeichneten die Such-Zahlungsaufträge und die Service-Einzelhandelsaufträge insgesamt einen deutlichen Anstieg, insbesondere in Long-Tail-Szenarien, in denen das traditionelle lexikalische Matching am schwächsten war, wobei die Anzahl fehlerhafter Fälle deutlich zurückging. Dies bewies direkt das große Potenzial der semantischen Darstellung durch LLM im Ranking-Szenario.

2. Phase II: Systematische Verbesserung der Darstellungen für das Händler-Ranking

Um die in Phase I aufgedeckten Schwachstellen anzugehen – wie das Fehlen einer semantischen Repräsentation auf der Produktseite, hohe Kosten für das Full-Parameter-Fine-Tuning und unvollständige Optimierungsziele – umfasste Phase II eine systematische Neugestaltung des gesamten Prozesses zur Erstellung von Repräsentationen.

Pentupel und kontrastives Lernen: Es wurde ein Pentupel-Trainingsdatensatz erstellt, der Suchanfragen, positive Produktbeispiele, positive Händlerbeispiele und harte negative Beispiele enthielt. Das traditionelle binäre Klassifizierungsziel wurde vollständig aufgegeben, und InfoNCE-Loss sowie Triplet-Loss wurden umfassend eingeführt, wodurch das Problem der „relativen Reihenfolge unter mehreren Kandidaten“ – das für das Ranking-Modell wirklich von Bedeutung ist – perfekt gelöst wurde.Leichte und effiziente Extraktion: Durch den Übergang vom Full-Parameter-Fine-Tuning zu LoRA-Methoden ersetzten unabhängige Sequenzen und lernbare Vektoren den alten Ansatz, und die Dimensionsreduktion wurde auf MRL-E (Matryoshka Representation Learning) erweitert, was die Effizienz bei Training und Inferenz verbesserte und gleichzeitig flexible Anwendungen auf mehreren Skalen ermöglichte. Online-Ergebnisse: Die Klick-GAUC und die Konversionseffizienz des Händler-Rankings haben sich deutlich verbessert. Online-Daten zeigten einen signifikanten Anstieg der effektiven Klicks und der Konversionsrate auf der Ergebnisseite (QV_CTR), was eindeutig belegt, dass die semantische Darstellung durch LLM nicht nur mehr Sichtbarkeitsmöglichkeiten bietet, sondern durch präzise Empfehlungen auch die Gesamtqualität der Konversionen optimiert.

3. Phase III: Einführung von Repräsentationen und bereichsübergreifenden Merkmalen im nachgelagerten Ranking

Nach Abschluss der systematischen Neugestaltung des Händlerrankings wandte das Team die ausgereifte Lösung weiter auf das nachgelagerte Ranking an (d. h. das Ranking bestimmter Produkte unter einem Händler) und trieb gleichzeitig die Steuerung und Ergänzung von bereichsübergreifenden statistischen Merkmalen voran.

Bewältigung von Herausforderungen bei der Abdeckung: Aufgrund der grundlegenden Unterschiede in der Suchanfragenverteilung zwischen dem Händler-Ranking und dem nachgelagerten Ranking war die anfängliche Migration mit Herausforderungen hinsichtlich einer geringen Suchanfragenabdeckung konfrontiert. Durch eine detaillierte Abstimmung und Datenverwaltung auf beiden Seiten gelang es dem Team, die semantischen Darstellungsfähigkeiten des LLM nahtlos auf die Produktebene auszuweiten. Parallele Fortschritte: Durch die Kombination des „LLM-Darstellungstransfers“ mit der Modellierung von Querdimensionen wie „Personalisierung × Produkt“ und „Suchabsicht × Produkt“ gelang den Suchergebnissen ein weiterer Präzisionssprung.

III. Zusammenfassung und Ausblick

Die Entwicklung von Meituan Search 3.0 zeigt, dass der Einsatz von LLMs im lokalen Lifestyle-Bereich kein Erfolg über Nacht ist, sondern einen soliden Weg von der punktuellen Merkmalsvalidierung über die systematische Rekonstruktion der Repräsentation bis hin zur szenarioübergreifenden Verallgemeinerung und Wiederverwendung erfordert. Durch die Umwandlung der leistungsstarken semantischen Verständnisfähigkeit von LLMs in dichte, kontinuierliche Repräsentationen und diskrete Binning-Merkmale ist es Meituan gelungen, die Barrieren zwischen komplexen Suchabsichten und nicht standardisiertem Angebot in Dienstleistungs- und Einzelhandelsszenarien zu überwinden und den Nutzern ein präziseres und intelligenteres Sucherlebnis im Bereich des lokalen Lifestyle-Angebots zu bieten.

Verwandter Artikel

Kommentare (0)