大模型如何革新搜索相关性？智能升级让搜索更“懂你”｜得物技术

主要观点总结

本文介绍了得物如何通过大模型技术优化搜索相关性，解决传统相关性迭代痛点，如资源消耗大、标注成本高昂、扩展性不足、迭代响应缓慢、泛化能力有限等问题。经过两个季度的迭代优化，大模型在效果上已稳定超过线上BERT模型，提高了搜索准确率、宏平均F1值等关键指标。同时，大模型还帮助提高了搜索体验的智能化和精准度。

关键观点总结

关键观点1: 搜索相关性的重要性

搜索相关性是搜索体验的核心，良好的相关性能够帮助用户更顺畅地从种草走向决策，对购买转化率和用户留存具有重要影响。

关键观点2: 传统相关性迭代的痛点

传统相关性迭代方法存在资源消耗大、标注成本高昂、扩展性不足、迭代响应缓慢、泛化能力有限等痛点。

关键观点3: 大模型在搜索相关性任务上的优势

大模型在搜索相关性任务上表现出更强的理解能力、丰富的知识储备、更低的数据需求和高效的迭代效率。通过基于大模型的迭代流程优化，可以实现算法的低成本快速迭代。

关键观点4: 大模型在搜索相关性优化中的应用实践

得物通过大模型技术优化了搜索相关性，包括二阶段流程设计、“R1慢思考”等优化手段，提高了模型的效果和泛化能力。最终，大盘准确率提升约10个百分点，达到86.67%，验证了了大模型在搜索相关性任务上的潜力。

关键观点5: 效果与落地

经过两个季度的迭代优化，大模型在效果上已稳定超过线上BERT模型，提高了搜索准确率、宏平均F1值等关键指标。同时，通过大模型标注千万级数据并结合多版数据蒸馏策略，线上相关性badcase率实现显著下降，累计节约标注成本达百万级别。