SMART：LLM-动态产品广告的增强混合检索

动态产品广告 (DPA) 需要从数百万个产品目录中检索相关商品，平衡两个相互竞争的目标：重定向（重新显示已知兴趣）和探索（发现新类别）。虽然 大语言模型 (LLM) 比传统嵌入模型更好地捕获语义意图，但大规模部署它们会带来过高的推理成本和词汇不匹配问题。通过对数百万用户的受控实验，我们演示了关键的检索分解：规则生成的查询擅长在词法 BM25 索引上进行重定向，而 LLM 生成的查询擅长在密集的 ANN 索引上进行勘探。在此基础上，我们提出了 SMART（语义感知自适应检索）。为了管理成本，轻量级质量门可识别初始关键字结果中的覆盖范围差距，自适应地将仅从语义勘探中受益的大约 10% 的用户路由到 LLM 路径。离线评估表明，这种门控方法捕获了相关性分数中的大部分语义勘探收益，同时保持有竞争力的重新定位性能，LLM 成本降低了 90%。最后，在 Snap 为期 2 周的在线 A/B 测试中，SMART 将广告转化率比基于嵌入的强大基准提高了 27.6%。