O Meitun Search 3.0 utiliza modelos de grande porte para reconstruir a infraestrutura de pesquisa de vida local

À medida que a tecnologia dos grandes modelos de linguagem (LLM) avança, os mecanismos de busca estão passando por uma terceira mudança de paradigma, transitando da tradicional correspondência de texto baseada em palavras-chave para uma era 3.0 focada na compreensão de intenções complexas e na tomada de decisões cognitiva. Recentemente, a equipe técnica da Meituan divulgou uma análise técnica aprofundada, detalhando três iterações do Meituan Search 3.0 em cenários de classificação de serviços de varejo e delineando o caminho de implementação e o valor central da representação semântica do LLM em contextos complexos da vida local.

I. Rompendo barreiras no varejo de serviços: da correspondência lexical tradicional à reconstrução semântica por LLM

O varejo de serviços difere fundamentalmente do varejo de produtos em seu modelo de negócios. Ao contrário do varejo de produtos, altamente padronizado, o varejo de serviços da Meituan e os cenários locais de estilo de vida apresentam categorias diversas, demandas de busca variadas (transacionais, informativas e de geração de leads) e uma oferta altamente não padronizada.

Nas buscas diárias, os modelos tradicionais de classificação dependem fortemente da correspondência lexical. No entanto, diante de uma enorme variedade de categorias de cauda longa e intenções complexas dos usuários, a capacidade de generalização da engenharia de características tradicional é claramente insuficiente. Por exemplo, quando um usuário pesquisa por “spa para animais de estimação + banho”, o nome do comerciante ou do produto correspondente pode ser “Pacote de Limpeza e Cuidados para Animais de Estimação”; ao pesquisar por “limpeza do Festival da Primavera”, pode ser “Pacote de Serviço de Limpeza Profunda”. Nesses casos típicos, há pouca sobreposição entre a consulta e a oferta à primeira vista, mas suas semânticas subjacentes estão altamente relacionadas.

Para preencher essa lacuna semântica tradicional, a equipe de classificação de pesquisa de serviços de varejo da Meituan explorou sistematicamente a aplicação de LLMs em modelos de classificação ao longo do último ano. Ao gerar representações vetoriais semânticas de alta qualidade para consultas de busca (Query), comerciantes (POI) e ofertas (Deal), eles injetaram sinais de correspondência semântica no modelo de classificação usando similaridade cosseno, alcançando um salto da validação de características pontuais para a reconstrução sistemática e, em seguida, para a migração e reutilização entre cenários.

II. Três etapas da evolução técnica: da verificação de viabilidade à construção do sistema em escala real

1. Fase I: Introdução da Representação Semântica do LLM no Ranking (Verificação da Viabilidade)

Na primeira fase, o objetivo principal da equipe era simples: verificar se as representações de LLM poderiam oferecer uma contribuição substancial ao modelo de classificação.

Projeto técnico: Um modelo base de código aberto com poucos parâmetros foi selecionado para o ajuste fino de todos os parâmetros, com tokens especiais introduzidos no vocabulário como âncoras de agregação. Máscaras de atenção foram cuidadosamente projetadas para isolar as consultas das informações dos comerciantes. Injeção de características: Após o modelo gerar embeddings, a similaridade cosseno foi calculada e agrupada discretamente, sendo então concatenada como embeddings aprendíveis nas características do modelo de classificação. Resultados online: A validação offline mostrou uma melhoria significativa no NDCG de cliques. Após a implantação, os pedidos de pagamento por pesquisa e os pedidos de varejo de serviços em geral registraram um aumento significativo, especialmente em cenários de cauda longa, onde a correspondência lexical tradicional era mais fraca, com uma redução notável nos casos indesejáveis. Isso comprovou diretamente o grande potencial da representação semântica do LLM no cenário de classificação.

2. Fase II: Atualização sistemática das representações de classificação de comerciantes

Abordando os pontos críticos expostos na Fase I, como a falta de representação semântica no lado do produto, os altos custos do ajuste fino de todos os parâmetros e os objetivos de otimização incompletos, a Fase II envolveu uma reconstrução sistemática de todo o processo de produção de representações.

Aprendizado em pentupletos e contrastivo: foi construído um conjunto de dados de treinamento em pentupletos, incluindo consulta, amostras positivas de produtos, amostras positivas de comerciantes e amostras negativas difíceis. O objetivo tradicional de classificação binária foi completamente abandonado, e as perdas InfoNCE e Triplet foram totalmente introduzidas, resolvendo perfeitamente a questão da “ordem relativa entre múltiplos candidatos” que realmente interessa ao modelo de classificação.Extração Leve e Eficiente: Na transição do ajuste fino de parâmetros completos para os métodos LoRA, sequências independentes e vetores aprendíveis substituíram a abordagem antiga, e a redução de dimensionalidade foi atualizada para MRL-E (Matryoshka Representation Learning), melhorando a eficiência do treinamento e da inferência, ao mesmo tempo em que oferece suporte a aplicações multiescala flexíveis. Resultados Online: O GAUC de cliques e a eficiência de conversão do ranking de comerciantes melhoraram significativamente. Os dados online mostraram um aumento significativo nos cliques efetivos e na taxa de conversão da página de resultados (QV_CTR), demonstrando plenamente que a representação semântica do LLM não apenas traz mais oportunidades de exposição, mas também otimiza a qualidade geral da conversão por meio de recomendações precisas.

3. Fase III: Introdução de representações e características cruzadas na classificação a jusante

Após concluir a reconstrução sistemática do ranking de comerciantes, a equipe aplicou ainda mais a solução madura ao ranking a jusante (ou seja, o ranking de produtos específicos de um comerciante), ao mesmo tempo em que avançava na governança e no aprimoramento das características estatísticas cruzadas em toda a plataforma.

Superando os desafios de cobertura: Devido às diferenças fundamentais na distribuição de consultas entre o ranking de lojistas e o ranking de produtos, a migração inicial enfrentou desafios relacionados à baixa cobertura de consultas. Por meio de um alinhamento detalhado e da governança de dados em ambas as extremidades, a equipe conseguiu estender com sucesso a capacidade de representação semântica do LLM de maneira integrada até o nível do produto. Progresso paralelo: combinando a “transferência de representação do LLM” com a modelagem de dimensões cruzadas, como “personalização × produto” e “intenção da consulta × produto”, os resultados de pesquisa alcançaram outro salto em precisão.

III. Resumo e Perspectivas

A evolução do Meituan Search 3.0 mostra que a aplicação de LLMs no campo do estilo de vida local não é um sucesso da noite para o dia, mas requer um caminho sólido que vai desde a validação de características pontuais, passando pela reconstrução sistemática da representação, até a generalização e reutilização entre cenários. Ao transformar a poderosa capacidade de compreensão semântica dos LLMs em representações contínuas densas e características de agrupamento discreto, a Meituan conseguiu quebrar as barreiras entre intenções complexas e oferta não padronizada em cenários de varejo de serviços, proporcionando aos usuários uma experiência de busca de estilo de vida local mais precisa e inteligente.

Artigo relacionado

Comentários (0)