服务长尾：无需训练 LLM 度假租赁市场的候选生成

度假租赁市场面临着供应方面的结构性失衡：一小部分房产获得了大部分用户互动，而新的、利基的和季节性的房源的长尾产生的行为信号太少，协同过滤无法有效地提供服务。在 Vrbo，基于项目的 k 最近邻 (IBKNN) 是核心候选生成通道，但导致数以万计的属性没有候选，并为稀疏交互的属性生成弱邻域。我们提出了基于 无需训练、LLM 的候选生成管道，该管道仅使用静态属性元数据来补充 IBKNN。现成的 LLM 综合每个属性的不同语义查询，预先训练的文本编码器嵌入它们，近似最近邻索引从 1170 万属性目录中检索候选者。联合融合策略将这些与 IBKNN 合并，同时保留行为通道的排序，保证服务良好的属性不会退化，并且下游学习排序模型对融合池重新评分。通过对 160 万个焦点属性进行评估，该系统将候选覆盖范围扩展到 IBKNN 无法到达的数万个属性，在行为方法最弱的长尾部分提供最大收益，并在共享属性的每个 K 上匹配或击败 IBKNN。下游学习排序阶段进一步提升融合池，产生完整的候选生成和重新排序堆栈，为长尾提供服务，而无需回归服务良好的属性。我们还表明，Union fusion 将 3B 开放权重 LLM 和基于 API 的前沿模型之间的召回率差距从 27-46% 缩小到 1% 以下，支持市场目录规模的自托管小型模型部署。