思考个性化：统一推理和检索以实现以用户为中心的个性化密集检索

通过将查询和项目编码到语义嵌入空间中，密集检索已成为现代本地生活方式电子商务搜索的基石。虽然最近的进展已经从基于 BERT 的嵌入模型过渡到 大语言模型 (LLM)，但大多数方法仍然将 LLM 视为静态文本编码器，忽略了其固有的推理能力。此外，标准的密集检索模型仍然以查询为中心，这在电子商务场景中是不够的，在电子商务场景中，稀疏和模糊的查询会造成意图差距，只能通过丰富的用户历史上下文来弥补。同时，现有的个性化检索方法通常依赖于隐式嵌入交互，缺乏推理能力来有效区分用户意图与嘈杂的历史行为。为了应对这些挑战，我们提出了 Think-to-Personalize (TTP)，这是一种新颖的框架，它将明确的以用户为中心的意图推理与密集检索相结合。通过推理用户的历史购买序列，TTP 显式推断出潜在的个性化需求并生成意图增强的查询，然后将其编码为统一的密集嵌入。具体来说，我们设计了一个两阶段的训练范例：（1）一个建立冷启动能力的监督微调（SFT）阶段； (2) 强化学习 (RL) 阶段，使用组相对策略优化 (GRPO) 将推理过程与检索实用程序结合起来。对专有和公共基准的大量实验表明，TTP 显着优于最先进的基准。此外，在线A/B测试中，订单量提升了+0.46%，验证了其实际有效性，为推理驱动的个性化密集检索建立了新范式。