Instacart 利用大语言模型改进电商搜索的查询理解。旧系统依赖点击购买数据训练,存在标签噪声大、长尾查询覆盖不足、多模型维护成本高的问题。新方案结合历史购买候选、LLM 重排类目路径与嵌入相似度校验来提升类目识别;查询改写分为同义、放宽、替代三类,覆盖率从 50% 提升至 95% 以上;结构化标签采用离线大模型生成高质量样本,蒸馏微调 Llama-3 8B 用于实时推理,并缓存高频查询。经 LoRA 合并、H100 升级和缓存优化,延迟降至约 300 毫秒。A/B 测试显示长尾查询滚动深度下降 6%,投诉减半。
该文综述了信息检索中结合知识库与神经排序的多项研究,包括:利用单词-实体交互生成排序特征,将知识图谱引入神经搜索以提升泛化能力;改进深度相关匹配模型;提出DREEAM解决文档级关系抽取证据检索的内存与标注问题;探讨实体丰富问题在密集检索中的不足及改进;用深度强化学习生成查询改写;以双编码器实现实体链接;用自注意力Transformer重排长文档;提出EBRM提升电商搜索相关性;并用分层循环网络建模搜索上下文以提升检索性能。
完成下面两步后,将自动完成登录并继续当前操作。