SCOUT：旅行搜索的供应感知冷启动主动查询建议

由大语言模型 (LLM) 支持的生成查询建议在搜索和对话系统中变得越来越流行，以减少用户摩擦并指导意图制定。现有方法将建议与用户偏好（例如点击或转化）结合起来。这适用于聊天机器人和个人助理等开放式应用程序，其中结果空间不受限制或历史用户自由文本查询丰富。然而，将这些方法应用于旅行搜索存在两个局限性。首先，旅游搜索从根本上受到实体库存的制约；查询（例如，“浪漫海滨别墅”）在巴厘岛可能会产生大量结果，但在东京却很少，因此与用户偏好保持一致本身并不基于可以提供的内容。其次，旅游平台传统上依赖于没有自由文本查询的分面搜索界面。这会产生冷启动问题：没有历史查询日志，就没有用于对齐的需求方数据，并且在请求时没有种子查询，必须仅从结构化上下文主动生成建议。为了应对这些挑战，我们提出了 SCOUT，这是一个用于供应感知主动查询建议的引导框架。 SCOUT 通过用供应方系统反馈替代缺失的需求方用户反馈来克服数据差距。它将搜索引擎视为强化学习环境，从生产重排序器的查询列表匹配分数中获得密集奖励，并使用组相对策略优化 (GRPO) 来优化策略。 SCOUT 将库存匹配率 (IMR@18) 提高了 12.3%，同时保留多样性，以零边际推理成本匹配计算密集型的 8 最佳策略，并使供应感知建议可部署在实时旅行搜索路径上。