别再只卷向量检索了，得物交易搜索如何用“生成式”实现召回范式跃迁？
Source :
mp.weixin.qq.com
在电商搜索的演进历程中，“召回”始终是连接用户意图与海量商品的基石。长期以来，业界普遍采用“判别式检索”范式：无论是基于倒排索引的关键词匹配，还是基于ANN近邻检索的Embedding相似度计算，其核心逻辑都是在给定候选集中“寻找”最相似的结果。 然而，随着用户需求的日益多样化与口语化，传统范式在交易搜索场景中面临严峻挑战。基于关键词的倒排索引受限于“词汇鸿沟”，难以处理【“af1” vs “空军一号”，"yeezy" vs "椰子"】这类语义一致但字面不匹配的Query；而基于向量检索的判别模型，在长尾Query和冷启动商品场景下，往往因行为数据稀疏而表现乏力。此外，传统的“召回-粗排-精排”级联架构存在天然的信息漏斗，一旦高价值商品在召回阶段被遗漏，后续链路将无力回天。 过去一年，得物交易搜索团队核心目标是打破这一僵局。我们不再满足于让模型做“选择题”，而是尝试赋予模型“创造力”。我们将生成式建模（Generative Modeling）引入召回场景，探索从“检索”到“生成”的范式跃迁，并围绕大语言模型、多模态表征及序列建模展开了一系列算法研发。
