让大模型更懂用户，算法工程师的成长升级之旅
💡
原文中文，约2300字，阅读约需6分钟。
📝
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。
➡️
