从非结构化到结构化：用于实体搜索和排名的 LLM 引导属性图

实体搜索，即找到与查询实体最相似的实体，在电子商务中面临着独特的挑战，其中产品相似性因类别和上下文而异。传统的基于嵌入的方法通常难以捕获细微的上下文特定属性相关性。在本文中，我们提出了一种将 大语言模型 (LLM) 驱动的属性图构造与图感知 LLM 排序相结合的两阶段方法。在离线阶段，我们从非结构化文本中提取结构化产品属性，并使用类别感知模式构建可重用的属性图。在在线阶段，我们通过对这种结构化表示而不是原始文本进行推理来对检索到的候选者进行排名，从而将每个产品的词元使用量减少了 57%，同时提高了排名精度。实验表明，我们的方法在零样本场景下优于多个基线，在不需要训练数据的情况下实现平均精度提高 5% 以上，在不同的产品类别中具有稳健的泛化能力，并显示出实际部署的巨大潜力。