Meitun Search 3.0 использует крупномасштабные модели для перестройки инфраструктуры поиска информации о повседневной жизни в местных сообществах

По мере развития технологий крупных языковых моделей (LLM) поисковые системы переживают третий сдвиг парадигмы, переходя от традиционного сопоставления текста по ключевым словам к эре 3.0, ориентированной на понимание сложных намерений и когнитивное принятие решений. Недавно техническая команда Meituan опубликовала подробный технический анализ, в котором подробно описаны три итерации Meituan Search 3.0 в контексте ранжирования услуг розничной торговли, а также изложены пути внедрения и основная ценность семантического представления LLM в сложных контекстах повседневной жизни.

I. Прорыв в сфере розничной торговли услугами: от традиционного лексического сопоставления к семантической реконструкции с помощью LLM

Розничная торговля услугами принципиально отличается от розничной торговли товарами по своей бизнес-модели. В отличие от высокостандартизированной розничной торговли товарами, розничная торговля услугами Meituan и сценарии местного образа жизни характеризуются разнообразными категориями, разнообразными поисковыми запросами (транзакционные, информационные и направленные на привлечение потенциальных клиентов) и крайне нестандартизированным предложением.

В повседневных поисковых запросах традиционные модели ранжирования в значительной степени полагаются на лексическое сопоставление. Однако при работе с огромным количеством категорий «длинного хвоста» и сложными намерениями пользователей способность традиционного проектирования признаков к обобщению явно недостаточна. Например, когда пользователь ищет «спа для домашних животных + купание», соответствующее название продавца или товара может звучать как «Пакет услуг по уходу и чистке домашних животных»; при поиске «весеннюю уборку» — как «Пакет услуг по генеральной уборке». В таких типичных случаях на первый взгляд пересечения между запросом и предложением практически нет, но их глубинная семантика тесно связана.

Чтобы преодолеть этот традиционный семантический разрыв, команда Meituan по ранжированию поисковых запросов в сфере розничных услуг в течение последнего года систематически изучала возможности применения LLM в моделях ранжирования. Генерируя высококачественные семантические векторные представления для поисковых запросов (Query), продавцов (POI) и предложений (Deal), они внедрили сигналы семантического сопоставления в модель ранжирования с использованием косинусного сходства, что позволило совершить скачок от точечной проверки признаков к систематической реконструкции, а затем — к межсценарийной миграции и повторному использованию.

II. Три этапа технической эволюции: от проверки осуществимости до полномасштабного построения системы

1. Этап I: внедрение семантических представлений LLM в ранжирование (проверка осуществимости)

На первом этапе основная цель команды была проста: проверить, могут ли представления LLM оказать существенную помощь модели ранжирования.

Технический дизайн: для полной настройки параметров была выбрана базовая модель с открытым исходным кодом и небольшим набором параметров, при этом в словарь были введены специальные токены в качестве анкерных элементов для агрегации. Маски внимания были тщательно разработаны для отделения запросов от информации о продавцах. Внедрение признаков: после того как модель сгенерировала вложения, рассчитывалось косинусное сходство и дискретно группировалось, а затем объединялось в качестве обучаемых вложений в признаки модели ранжирования. Результаты в режиме онлайн: офлайн-валидация показала значительное улучшение показателя NDCG по кликам. После развертывания наблюдался значительный рост общего количества платежных заказов по результатам поиска и розничных заказов на услуги, особенно в сценариях «длинного хвоста», где традиционное лексическое сопоставление было наиболее слабым, при этом количество некорректных результатов заметно сократилось. Это напрямую подтвердило огромный потенциал семантического представления LLM в сценарии ранжирования.

2. Этап II: Систематическое усовершенствование представлений ранжирования продавцов

Устраняя проблемные моменты, выявленные на этапе I, такие как отсутствие семантического представления со стороны товаров, высокие затраты на полную настройку параметров и неполные цели оптимизации, на этапе II была проведена систематическая реконструкция всего процесса формирования представлений.

Пятерки и контрастивное обучение: был создан обучающий набор данных в виде пятерок, включающий запрос, положительные образцы товаров, положительные образцы продавцов и сложные отрицательные образцы. От традиционной задачи бинарной классификации полностью отказались, а вместо этого были в полной мере внедрены функции потерь InfoNCE и Triplet Loss, что идеально решило проблему «относительного порядка среди нескольких кандидатов», которая действительно важна для модели ранжирования.Легкое и эффективное извлечение: при переходе от тонкой настройки всех параметров к методам LoRA старый подход был заменен независимыми последовательностями и обучаемыми векторами, а снижение размерности было модернизировано до MRL-E (Matryoshka Representation Learning), что повысило эффективность обучения и инференса, одновременно поддерживая гибкие многомасштабные приложения. Результаты онлайн-тестирования: Показатели GAUC по кликам и эффективность конверсии в рейтинге продавцов значительно улучшились. Онлайн-данные продемонстрировали значительный рост эффективных кликов и коэффициента конверсии на странице результатов (QV_CTR), что полностью подтверждает: семантическое представление LLM не только открывает больше возможностей для показа, но и оптимизирует общее качество конверсии за счет точных рекомендаций.

3. Этап III: внедрение представлений и кросс-особенностей в последующий этап ранжирования

После завершения систематической реконструкции ранжирования продавцов команда далее применила отработанное решение к последующему ранжированию (т. е. ранжированию конкретных товаров в рамках одного продавца), одновременно совершенствуя управление и дополнение кросс-статистических признаков по всему спектру.

Решение проблем с охватом: из-за фундаментальных различий в распределении запросов между ранжированием продавцов и последующим ранжированием при первоначальном переносе возникли проблемы с низким охватом запросов. Благодаря тонкой настройке и управлению данными на обоих концах команде удалось плавно расширить возможности семантического представления LLM на уровень товаров. Параллельный прогресс: благодаря сочетанию «переноса представлений LLM» с моделированием межмерных взаимосвязей, таких как «персонализация × товар» и «намерение запроса × товар», точность результатов поиска сделала очередной скачок.

III. Подведение итогов и перспективы

Эволюция Meituan Search 3.0 показывает, что применение LLM в сфере локальных услуг повседневной жизни — это не мгновенный успех, а требует прохождения четкого пути от точечной валидации характеристик, систематической реконструкции представлений до обобщения и повторного использования в различных сценариях. Преобразовав мощные возможности LLM по семантическому пониманию в плотные непрерывные представления и дискретные биновые признаки, Meituan успешно преодолел барьеры между сложными намерениями и нестандартизированным предложением в сценариях розничной торговли услугами, предоставив пользователям более точный и интеллектуальный опыт поиска местных услуг и развлечений.

Связанная статья

Комментарии (0)