通过相关意图生成提高电子商务搜索中的项目可发现性

传统的搜索系统经过优化，可以检索与查询严格匹配的项目，通常优先考虑精确度而不是召回率。在电子商务市场，特别是杂货店，这种模式是有限制的，因为用户满意度和商业成果在很大程度上取决于替代品、补充品和主题相关商品的可发现性。在本文中，我们提出了一种可扩展的发现增强搜索系统，该系统利用意图条件召回扩展。我们的方法生成隐式用户意图，以扩大候选者的召回率，同时保持相关性。该系统通过两阶段混合架构解决了生成检索的成本与质量权衡问题。首先，我们利用封闭权重 大语言模型 (LLM) 来最大限度地提高头查询的可发现性。为了将这些优势扩展到尾查询，我们引入了一种经过微调的小语言模型 (SLM)，通过 LoRA 适配器和师生 蒸馏 进行训练。我们使用严格的双重框架评估系统：(a) LLM 作为法官指标，根据人类对语义质量的偏好进行验证，以及 (b) 端到端会话级购买分析。结果表明，我们的方法提高了意图生成质量和下游检索效率，将查询流量的发现覆盖范围从约 60% 扩大到 80%，而教师模型的推理成本约为 30%，为大规模市场中的部署提供了可行的路径。除了相关性增益之外，发现增强搜索还可以充当市场平衡机制，为长尾和新兴供应提供查询条件曝光的机会。