让大模型更懂用户，算法工程师的成长升级之旅
内容提要
在京东，我通过大模型优化电商搜索，解决了用户决策阶段的动态变化问题，提升了商品推荐的准确性和多样性。新算法PODM-MI显著提高了订单量，识别了技术瓶颈并提出了解决方案，推动了技术创新与业务发展。
关键要点
-
在京东，通过大模型优化电商搜索，提升商品推荐的准确性和多样性。
-
新算法PODM-MI显著提高了订单量，解决了用户决策阶段的动态变化问题。
-
在京东零售，发表4篇顶会论文，提交8篇专利，并入选北京亦麒麟优秀人才。
-
用户搜索时处于不同的决策阶段，传统算法无法有效适应这种动态变化。
-
PODM-MI框架通过高斯分布建模用户偏好，实现动态平衡，提升搜索结果的多样性与准确性。
-
新方案在业务指标UCVR上取得显著效果，年化订单增量超千万。
-
发现了生成式搜索推荐技术中的技术瓶颈，提出了两种轻量化解决方案。
-
通过移除瓶颈节点和引入自适应阈值策略，提升了模型的召回率。
-
技术创新需要在业务需求与技术能力之间找到平衡，推动长期价值的实现。
延伸解读
动态用户决策的重要性
用户在搜索商品时处于不同的决策阶段，传统算法无法有效适应这种动态变化。理解用户的决策过程对于提升商品推荐的准确性和多样性至关重要。通过动态调整算法，能够更好地满足用户需求，提升购物体验。
技术瓶颈的发现与解决
在生成式搜索推荐技术中，发现了商品编码的沙漏效应，这一技术瓶颈限制了模型的训练效率。通过提出轻量化解决方案，移除瓶颈节点和引入自适应阈值策略，成功提升了模型的召回率。这一过程展示了技术创新在实际应用中的重要性。
理论与实践的结合
从校园到职场，理论与实践的差异显著。在复杂的电商环境中，寻找“最适解”比追求“最优解”更为重要。面对实际挑战，工程师需要灵活运用技术，深入理解业务需求，以推动技术与业务的有效结合。
延伸问答
PODM-MI算法如何提升电商搜索的准确性和多样性？
PODM-MI算法通过高斯分布建模用户偏好，动态调整准确性和多样性权重，从而提升搜索结果的相关性和多样性。
在京东的工作中，作者面临了哪些挑战？
作者面临用户决策阶段的动态变化、电商生态健康与商业效率的平衡，以及亿级流量下的工程约束等挑战。
新算法PODM-MI对订单量的影响如何？
PODM-MI显著提高了订单量，年化订单增量超过千万。
文章中提到的技术瓶颈是什么？
技术瓶颈是生成式搜索推荐技术中商品SID编码呈现的沙漏形状，导致模型训练难度加大和可用率低。
作者提出了哪些解决方案来应对技术瓶颈？
作者提出了两种轻量化解决方案：移除中间层的瓶颈节点和引入自适应阈值策略。
如何理解技术创新与业务需求之间的关系？
技术创新需要在业务需求与技术能力之间找到平衡，以推动长期价值的实现。
