美团搜索3.0：LLM 语义表征在排序模型的探索与应用

摘要

介紹美團搜尋團隊如何利用大型語言模型為服務零售場景的查詢與商家生成高精度語義向量，並將其注入排序模型以提升匹配品質。文章詳述了三期技術演進，從驗證可行性到跨場景遷移，解決了傳統特徵工程在處理非標準化服務時的不足，最終實現了線上收益與轉化效率的雙重提升。

This article details Meituan's three-phase exploration of using LLM-generated semantic vectors to improve ranking accuracy in service retail search scenarios.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 用特殊 Token 設計訓練策略，確保查詢與商家語義向量可獨立提取。
• 透過雙 Loss 機制同時最佳化單側表徵品質與下游點選率預測目標。
• 在跨場景遷移時，針對新資料分佈重新圈選向量覆蓋範圍以確保有效性。

提到的工具與公司

• Hive
• MLP

適合誰看

從事搜尋引擎、推薦系統或大模型應用開發的工程師與技術經理。

摘要依據

依據

文章全文

為什麼排在這裡

人氣

0.50

新鮮

0.82

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Vector Search with LLMs - Computerphile影片 ・ Computerphile ・ 20 分鐘
• Distill the LLM, Don't Serve It: Search & Personalization at DoorDash — Raghav Saboo, DoorDash影片 ・ AI Engineer ・ 22 分鐘
• Improving Recommendation Systems & Search in the Age of LLMs文章 ・ Eugene Yan（部落格）
• Don't classify. Hallucinate!文章 ・ Doug Turnbull
• How to get discovered in AI searchPodcast ・ Practical AI ・ 55 分鐘
• Retrieval Augmented Generation (RAG), Search, and Vector Databases影片 ・ Luis Serrano Academy ・ 19 分鐘