CQ-SID 与 EG-GRPO 支持电商生成式召回

生成式检索能够将分散的多阶段检索统一到端到端模型，但工业电商搜索具有庞大、动态的商品目录、严格时延要求，并需与下游排序目标对齐，实际应用仍有难度。本研究面向真实召回场景，将生成式检索作为召回阶段的补充，而非端到端替代。CQ-SID方法结合类目感知和查询—商品对比学习，使用残差量化VAE，将商品编码为分层语义簇标识，显著降低Beam Search复杂度。我们还提出专家引导分组相对策略优化EG-GRPO，通过注入真值样本稳定稀疏奖励下的训练，使生成式召回与下游排序对齐。在天猫App搜索日志的离线实验中，相较RQ-VAE基线，CQ-SID的语义及个性化点击命中率分别获得最高26.76%和11.11%的相对提升，Beam Search宽度减半；EG-GRPO进一步改善多目标表现。线上A/B测试显示GMV提升1.15%、UCTCVR提升0.40%。该生成式召回通道已贡献超过50.25%的曝光、58.96%的点击和72.63%的购买，展示了工业电商系统中可行的生成式检索落地路径。