K-CARE：知识驱动的对称语境锚定和类比原型推理的电子商务相关性

本文针对电子商务搜索相关性。虽然 大语言模型 (LLM) 在该领域展示了巨大的潜力，但它们经常在复杂的工业场景中持续的“极端情况”中遇到性能瓶颈。现有的研究主要集中在通过强化学习优化推理轨迹。然而，现实世界的观察表明，主要瓶颈源于知识边界，模型的参数记忆中缺乏特定领域的智能，从而造成了上下文空白。在解释特殊查询或利基产品时，这种空白仍然存在，并且不能仅通过推理路径优化来解决。为了弥补这一差距，我们提出了 K-CARE，这是一个通过基于外部知识的推理来扩展模型认知范围的框架。 K-CARE 包含两个协同组件：（1）对称上下文锚定（SCA），它通过使用行为衍生的隐性知识锚定查询和产品来填补上下文空白； （2）类比原型推理（APR），它利用专家策划的原型知识通过上下文类比来校准决策边界。在领先的电子商务平台上进行的广泛的离线评估和在线 A/B 测试表明，K-CARE 的性能显着优于最先进的基线，通过解决知识密集型相关挑战带来了巨大的商业影响。