隨着大語言模型（LLM）技術的深度演進，搜索引擎正經歷第三次範式躍遷，從傳統的關鍵詞文本匹配，加速邁向以複雜意圖理解與認知決策爲核心的3.0時代。近日，美團技術團隊發表深度技術解析，全面披露了美團搜索3.0在服務零售排序場景中的三次迭代演進，揭示了大模型語義表徵(Semantic Representation)在本地生活複雜場景下的落地路徑與核心價值。

image.png

一、 破局服務零售:從傳統詞面匹配到大模型語義重構

服務零售與商品零售在業務形態上有着本質區別。相較於標準化程度較高的商品零售，美團所處的服務零售與本地生活場景呈現出品類繁多、搜索需求類型多元（交易型、信息型、留資型並存）、供給非標準化程度極高等特點。

在日常搜索中，傳統的精排模型高度依賴文本字面匹配。然而，在面對海量長尾品類與複雜用戶意圖時，傳統特徵工程的泛化能力明顯捉襟見肘。例如，當用戶搜索“寵物 SPA+ 洗澡”時，對應的商家或商品名稱可能是“萌寵清潔護理套餐”;搜索“春節大掃除”時，對應的則是“深度保潔服務套餐”。在這類典型的 Case 中，Query 與供給在字面上幾乎沒有重疊，但其背後隱藏的語義卻是高度相關的。

爲了跨越這種傳統的語義鴻溝，美團服務零售搜索排序團隊在過去一年多時間裏，系統性地推進了 LLM 在精排模型中的應用探索，通過爲搜索詞（Query）、商家(POI)和商品(Deal)生成高質量的語義向量表徵，將語義匹配信號以 cosine 相似度的形式注入排序模型，實現了從單點特徵驗證到體系化重構，再到跨場景遷移複用的跨越式發展。

二、 三期技術演進:從可行性驗證到全域體系構建

1. 一期:精排引入大模型語義表徵（驗證可行性）

在一期階段，團隊的核心目標非常純粹:驗證 LLM 表徵能否對精排模型產生實質性幫助。

  • 技術設計:選用小參數量開源基座模型進行全參數微調，並在詞表中引入特殊 Token 作爲聚合錨點，通過精心設計的 Attention Mask 實現 Query 與商家信息的隔離。
  • 特徵注入:模型推理生成各自的 Embedding 後，計算 cosine 相似度並通過離散分桶的方式，以可學習 Embedding 的形式拼接到精排模型特徵中。
  • 線上成果:離線驗證顯示點擊 NDCG 顯著提升，上線後大盤搜索支付訂單與服務零售訂單均迎來顯著增長，特別是在傳統詞面匹配最薄弱的長尾場景中，BadCase 顯著下降。這直接印證了 LLM 語義表徵在精排場景中的巨大潛力。

2. 二期:商家精排表徵系統性升級

針對一期暴露出的商品側語義缺失、全參數微調成本高、優化目標不夠全面等痛點，二期工程對錶徵生產全流程進行了系統性重構。

  • 五元組與對比學習:構建包含 Query、商品正樣本、商家正樣本及難負樣本的五元組訓練數據，徹底拋棄傳統的二分類目標，全面引入 InfoNCE Loss 與 Triplet Loss，完美解決了排序模型真正關心的“多候選相對序”問題。
  • 輕量化與高效提取:從全參數微調轉向 LoRA 方案，採用獨立的序列及可學習向量替代舊方案，並將降維方式升級爲 MRL-E（Matryoshka Representation Learning），在提升訓練與推理效率的同時，支持了多尺度的靈活應用。
  • 線上成果:商家精排的點擊 GAUC 與轉化效率得到全方位增強。線上數據顯示，大盤有效點擊與結果頁轉化率（QV_CTR）顯著上升，充分證明大模型語義表徵不僅能帶來更多曝光機會，更能通過精準推薦優化整體轉化質量。

3. 三期:下掛精排引入表徵與全域特徵交叉

在完成商家精排的系統性重構後，團隊將成熟方案進一步平移至下掛精排（即對商家下掛的具體商品進行排序），並同步推進了全域交叉統計特徵的治理與補充。

  • 破解覆蓋難題:由於商家精排與下掛精排的 Query 分佈存在本質差異，遷移初期面臨 Query 覆蓋率不足的挑戰。團隊通過對兩端場景進行精細化對齊與數據治理，成功將大模型語義表徵能力無縫延伸至商品下掛層。
  • 雙線並行:將“大模型表徵遷移”與“個性化×商品”、“Query 意圖×商品”的交叉維度建模相結合，實現了搜索結果在精細化維度上的再度躍升。

三、 總結與展望

美團搜索3.0的演進歷程表明，大模型在本地生活領域的落地並非一蹴而就，而是需要經歷從單點特徵驗證、系統性表徵重構，到跨場景泛化複用的紮實路徑。通過將 LLM 強大的語義理解能力轉化爲高密度的連續表徵和離散分桶特徵，美團成功打通了服務零售場景下複雜意圖與非標準化供給之間的壁壘，爲廣大用戶帶來了更加精準、智能的本地生活搜索體驗。