电子商务中产品搜索的语义检索

电子商务中的语义检索必须处理对大型产品目录的简短、嘈杂和口语查询，并具有细粒度的属性区别。我们提出了一个通过两阶段管道训练的 Siamese LLM 双编码器：使用假阴性边缘掩模进行对比学习，以防止对接近重复的产品进行惩罚，然后是检索相对赔率对齐 (ROAR)，这是一种偏好优化目标，通过连续的赔率比边缘将 Bradley-Terry 扩展到可变大小的分级相关性组。训练语料库反映了这一进程——替代查询-产品对在第 1 阶段提供粗略的语义监督，分级相关注释在第 2 阶段驱动细粒度排名。最终的系统准确检索精确匹配，同时正确排序替代品和补充产品，并在查询频率层和业务垂直领域确认收益，并通过大规模实时 A/B 部署验证统计显着性。