美团搜索3.0依托大模型重构本地生活搜索基础设施
随着大型语言模型(LLM)技术的不断进步,搜索引擎正经历第三次范式转变,从传统的基于关键词的文本匹配,向以复杂意图理解和认知决策为核心的3.0时代转型。 近日,美团技术团队发布了一份深度技术分析报告,详细阐述了美团搜索3.0在服务零售排名场景中的三次迭代,并勾勒出LLM语义表征在复杂本地生活场景中的落地路径与核心价值。

一、突破服务零售:从传统词汇匹配到LLM语义重构
服务零售在商业模式上与商品零售有着根本区别。与高度标准化的商品零售不同,美团的服务零售及本地生活场景具有品类多样、搜索需求各异(交易型、信息型和引流型)以及供应高度非标准化的特点。
在日常搜索中,传统排名模型高度依赖词汇匹配。然而,面对海量的长尾品类和复杂的用户意图,传统特征工程的泛化能力显然不足。 例如,当用户搜索“宠物水疗+洗澡”时,对应的商家或商品名称可能是“宠物清洁护理套餐”;而搜索“春节大扫除”时,则可能是“深度清洁服务套餐”。 在这些典型案例中,查询与供应在表面上几乎没有重叠,但其底层语义却高度相关。
为了弥合这一传统的语义鸿沟,美团服务零售搜索排名团队在过去一年中系统地探索了在大语言模型(LLMs)在排名模型中的应用。 通过为搜索查询(Query)、商家(POI)和优惠(Deal)生成高质量的语义向量表示,他们利用余弦相似度将语义匹配信号注入排名模型,实现了从单点特征验证到系统性重建,进而到跨场景迁移与复用的飞跃。
二、技术演进的三个阶段:从可行性验证到全面系统构建
1. 第一阶段:将LLM语义表征引入排名(验证可行性)
在第一阶段,团队的核心目标很简单:验证 LLM 表示能否为排名模型提供实质性帮助。
技术设计:选取一个参数较少、开源的基础模型进行全参数微调,并在词汇表中引入特殊令牌作为聚合锚点。 通过精心设计注意力掩码,将查询与商家信息进行隔离。特征注入:模型生成嵌入向量后,计算余弦相似度并进行离散分桶,随后将其作为可学习嵌入向量拼接至排名模型的特征中。在线结果:离线验证显示点击率NDCG显著提升。 部署后,搜索支付订单和服务的零售订单总量均显著增长,特别是在传统词法匹配效果最弱的长尾场景中,不良案例数量也显著减少。这直接证明了LLM语义表示在排序场景中的巨大潜力。2. 第二阶段:商家排名表征的系统性升级
针对第一阶段暴露的痛点,例如商品侧语义表征的缺失、全参数微调成本高昂以及优化目标不完整等问题,第二阶段对整个表征生成流程进行了系统性重构。
五元组与对比学习:构建了包含查询、商品正样本、商家正样本及硬负样本的五元组训练数据集。 彻底摒弃了传统的二元分类目标,全面引入了InfoNCE损失和三元组损失,完美解决了排名模型真正关心的“多个候选对象之间的相对顺序”问题。轻量高效提取:从全参数微调转向 LoRA 方法,独立序列和可学习向量取代了旧方法,降维技术升级为 MRL-E(套娃表征学习),在提升训练和推理效率的同时,支持灵活的多尺度应用。在线结果: 商家排名的点击GAUC和转化效率显著提升。在线数据表明,有效点击量和结果页转化率(QV_CTR)均出现显著增长,充分证明了LLM语义表征不仅能带来更多曝光机会,还能通过精准推荐优化整体转化质量。3. 第三阶段:将表征与跨特征引入下游排名
在完成商家排名的系统性重构后,团队进一步将这一成熟方案应用于下游排名(即商家旗下具体商品的排名),同时全面推进跨统计特征的治理与补充工作。
解决覆盖率挑战:由于商家排名与下游排名在查询分布上存在根本差异,初期迁移面临查询覆盖率低的挑战。 通过两端的精细对齐和数据治理,团队成功地将大语言模型(LLM)的语义表示能力无缝扩展至产品层面。并行推进:将“LLM表示迁移”与“个性化×产品”、“查询意图×产品”等跨维度建模相结合,搜索结果的精准度实现了又一次飞跃。三、总结与展望
美团搜索3.0的演进表明,大语言模型在本地生活领域的应用并非一蹴而就,而是需要从单点特征验证、系统性表征重构,到跨场景泛化与复用的扎实路径。 通过将大语言模型强大的语义理解能力转化为密集连续表征和离散分箱特征,美团成功打破了服务零售场景中复杂意图与非标准化供给之间的壁垒,为用户提供了更精准、更智能的本地生活搜索体验。
相关文章
ChatGPT 遭遇大规模服务中断,数百万用户遭遇登录问题
服务器稳定性仍然是人工智能领域的一个关键关注点。有报道称,全球领先的AI聊天平台ChatGPT在8月20日左右遭遇了一次突然且大范围的全球性服务中断。此次故障影响了美国和欧洲的数百万用户,导致无法登录账户和进行新注册,同时聊天界面冻结,且无法访问对话记录。用户反馈凸显了此次故障对日常交互的全面影响。 许多用户发现侧边栏卡在加载循环中,发送消息时还会遇到“并发请求过多”的错误。该网站的核心验证和账户
Moonshot Ventures 可能在香港进行首次公开募股(IPO),以筹集资金推进大型模型项目
据彭博社报道,中国领先的人工智能企业Moonshot AI正在探索在香港上市。总部位于北京的Moonshot AI是热门聊天机器人“Kimi”的开发者,该公司旨在借助市场对人工智能的浓厚兴趣来提升自身地位。该公司已就潜在上市事宜与中金公司和高盛进行了初步磋商。尽管上市筹备工作仍在进行,但知情人士指出,目前尚未确定最终时间表,且该交易可能不会成行。若首次公开募股(IPO)成功,Moonshot AI
Marvis 推出自定义模型功能,整合了 Kimi 和 Zhipu GLM
9月1日,腾讯操作系统级AI助手Marvis正式推出“自定义模型”功能。此次更新使用户能够将符合行业标准接口协议的第三方模型无缝集成到Marvis中。 支持的提供商包括腾讯云、阿里云、DeepSeek、Minimax、Kimi、智普和小米等主流平台。此外,该功能还支持本地部署的开源模型,并支持跨设备同步,以确保体验的一致性。释放模型灵活性:自由选择过去一年间,大型语言模型领域发展迅猛,每月都有新的
相关专题推荐
评论 (0)
0/500
随着大型语言模型(LLM)技术的不断进步,搜索引擎正经历第三次范式转变,从传统的基于关键词的文本匹配,向以复杂意图理解和认知决策为核心的3.0时代转型。 近日,美团技术团队发布了一份深度技术分析报告,详细阐述了美团搜索3.0在服务零售排名场景中的三次迭代,并勾勒出LLM语义表征在复杂本地生活场景中的落地路径与核心价值。

一、突破服务零售:从传统词汇匹配到LLM语义重构
服务零售在商业模式上与商品零售有着根本区别。与高度标准化的商品零售不同,美团的服务零售及本地生活场景具有品类多样、搜索需求各异(交易型、信息型和引流型)以及供应高度非标准化的特点。
在日常搜索中,传统排名模型高度依赖词汇匹配。然而,面对海量的长尾品类和复杂的用户意图,传统特征工程的泛化能力显然不足。 例如,当用户搜索“宠物水疗+洗澡”时,对应的商家或商品名称可能是“宠物清洁护理套餐”;而搜索“春节大扫除”时,则可能是“深度清洁服务套餐”。 在这些典型案例中,查询与供应在表面上几乎没有重叠,但其底层语义却高度相关。
为了弥合这一传统的语义鸿沟,美团服务零售搜索排名团队在过去一年中系统地探索了在大语言模型(LLMs)在排名模型中的应用。 通过为搜索查询(Query)、商家(POI)和优惠(Deal)生成高质量的语义向量表示,他们利用余弦相似度将语义匹配信号注入排名模型,实现了从单点特征验证到系统性重建,进而到跨场景迁移与复用的飞跃。
二、技术演进的三个阶段:从可行性验证到全面系统构建
1. 第一阶段:将LLM语义表征引入排名(验证可行性)
在第一阶段,团队的核心目标很简单:验证 LLM 表示能否为排名模型提供实质性帮助。
技术设计:选取一个参数较少、开源的基础模型进行全参数微调,并在词汇表中引入特殊令牌作为聚合锚点。 通过精心设计注意力掩码,将查询与商家信息进行隔离。特征注入:模型生成嵌入向量后,计算余弦相似度并进行离散分桶,随后将其作为可学习嵌入向量拼接至排名模型的特征中。在线结果:离线验证显示点击率NDCG显著提升。 部署后,搜索支付订单和服务的零售订单总量均显著增长,特别是在传统词法匹配效果最弱的长尾场景中,不良案例数量也显著减少。这直接证明了LLM语义表示在排序场景中的巨大潜力。2. 第二阶段:商家排名表征的系统性升级
针对第一阶段暴露的痛点,例如商品侧语义表征的缺失、全参数微调成本高昂以及优化目标不完整等问题,第二阶段对整个表征生成流程进行了系统性重构。
五元组与对比学习:构建了包含查询、商品正样本、商家正样本及硬负样本的五元组训练数据集。 彻底摒弃了传统的二元分类目标,全面引入了InfoNCE损失和三元组损失,完美解决了排名模型真正关心的“多个候选对象之间的相对顺序”问题。轻量高效提取:从全参数微调转向 LoRA 方法,独立序列和可学习向量取代了旧方法,降维技术升级为 MRL-E(套娃表征学习),在提升训练和推理效率的同时,支持灵活的多尺度应用。在线结果: 商家排名的点击GAUC和转化效率显著提升。在线数据表明,有效点击量和结果页转化率(QV_CTR)均出现显著增长,充分证明了LLM语义表征不仅能带来更多曝光机会,还能通过精准推荐优化整体转化质量。3. 第三阶段:将表征与跨特征引入下游排名
在完成商家排名的系统性重构后,团队进一步将这一成熟方案应用于下游排名(即商家旗下具体商品的排名),同时全面推进跨统计特征的治理与补充工作。
解决覆盖率挑战:由于商家排名与下游排名在查询分布上存在根本差异,初期迁移面临查询覆盖率低的挑战。 通过两端的精细对齐和数据治理,团队成功地将大语言模型(LLM)的语义表示能力无缝扩展至产品层面。并行推进:将“LLM表示迁移”与“个性化×产品”、“查询意图×产品”等跨维度建模相结合,搜索结果的精准度实现了又一次飞跃。三、总结与展望
美团搜索3.0的演进表明,大语言模型在本地生活领域的应用并非一蹴而就,而是需要从单点特征验证、系统性表征重构,到跨场景泛化与复用的扎实路径。 通过将大语言模型强大的语义理解能力转化为密集连续表征和离散分箱特征,美团成功打破了服务零售场景中复杂意图与非标准化供给之间的壁垒,为用户提供了更精准、更智能的本地生活搜索体验。
ChatGPT 遭遇大规模服务中断,数百万用户遭遇登录问题
服务器稳定性仍然是人工智能领域的一个关键关注点。有报道称,全球领先的AI聊天平台ChatGPT在8月20日左右遭遇了一次突然且大范围的全球性服务中断。此次故障影响了美国和欧洲的数百万用户,导致无法登录账户和进行新注册,同时聊天界面冻结,且无法访问对话记录。用户反馈凸显了此次故障对日常交互的全面影响。 许多用户发现侧边栏卡在加载循环中,发送消息时还会遇到“并发请求过多”的错误。该网站的核心验证和账户
Moonshot Ventures 可能在香港进行首次公开募股(IPO),以筹集资金推进大型模型项目
据彭博社报道,中国领先的人工智能企业Moonshot AI正在探索在香港上市。总部位于北京的Moonshot AI是热门聊天机器人“Kimi”的开发者,该公司旨在借助市场对人工智能的浓厚兴趣来提升自身地位。该公司已就潜在上市事宜与中金公司和高盛进行了初步磋商。尽管上市筹备工作仍在进行,但知情人士指出,目前尚未确定最终时间表,且该交易可能不会成行。若首次公开募股(IPO)成功,Moonshot AI
Marvis 推出自定义模型功能,整合了 Kimi 和 Zhipu GLM
9月1日,腾讯操作系统级AI助手Marvis正式推出“自定义模型”功能。此次更新使用户能够将符合行业标准接口协议的第三方模型无缝集成到Marvis中。 支持的提供商包括腾讯云、阿里云、DeepSeek、Minimax、Kimi、智普和小米等主流平台。此外,该功能还支持本地部署的开源模型,并支持跨设备同步,以确保体验的一致性。释放模型灵活性:自由选择过去一年间,大型语言模型领域发展迅猛,每月都有新的





首页






