美团搜索3.0：大模型如何重塑本地生活搜索

当你在美团输入“宠物水疗+洗澡”时，应用不仅仅是在寻找这些确切的词语。它理解你可能想要的是美容服务，即使商家的列表写的是“宠物清洁护理套餐”。这种语义理解是美团搜索3.0的核心，这是一个使用大语言模型（LLM）从头开始悄悄重建的系统。

多年来，搜索引擎依赖词汇匹配——基本上是将查询中的词语与列表中的词语进行匹配。但在杂乱多变的本地生活服务世界中，这种方法是不够的。搜索“春节大扫除”可能无法匹配“深度清洁服务套餐”，即使这正是你需要的。用户意图与商家列表之间的差距一直是个难题。

美团技术团队最近分享了他们如何解决这个问题的详细分解。他们的解决方案？一个三阶段的演进，将搜索体验从猜测游戏转变为精确的、意图驱动的过程。

第一阶段：试水

第一步很简单：LLM真的能帮忙吗？团队微调了一个小型开源模型，为查询、商家和交易生成语义向量。然后他们计算这些向量之间的余弦相似度，并将其作为特征输入到排名模型中。

结果令人鼓舞。离线测试显示点击率显著提升，在线整体搜索支付订单和服务零售订单也有明显增长。长尾搜索——那些传统匹配失败的模糊、特定查询——得到了显著改善。这就是他们需要的证据：LLM能够弥合语义鸿沟。

但第一阶段有其局限性。产品端缺乏语义表示，全参数微调成本高昂，优化目标也不完整。因此，团队回到了绘图板。

他们引入了五元组训练数据集——包括查询、正例产品样本、正例商家样本和难负样本——并切换到对比学习，使用InfoNCE和三元组损失。这是从二元分类转向对候选之间相对顺序的更细致理解。

他们还转向LoRA进行轻量级微调，并采用Matryoshka表示学习来实现灵活的多尺度嵌入。结果？商家排名在点击GAUC和转化效率方面有了显著提升。有效点击和结果页转化率（QV_CTR）上升，表明更好的表示不仅带来更多曝光，还带来更好的匹配。

在商家排名稳固后，团队转向下游排名——在商家下对特定产品进行排名。这不是简单的复制粘贴工作。查询分布不同，初始覆盖率低。通过仔细的对齐和数据治理，他们将语义表示扩展到产品级别。

他们还将LLM表示转移与跨维度建模相结合，如“个性化×产品”和“查询意图×产品”。这种双重方法进一步提高了搜索精度。

对于普通用户来说，这次技术改革转化为一种感觉更智能的搜索体验。你不太可能浏览不相关的结果，或因为商家使用了不同的措辞而错过完美的服务。无论你是在寻找最后一刻的水管工还是小众爱好课程，美团的搜索都越来越擅长读懂你的心思——或者至少是你的意图。

从关键词匹配到语义理解的旅程不是一夜之间完成的。这是一个从验证单个功能到重建整个表示管道的稳步攀升。但正如美团的经历所示，回报是真实的：一个更准确、更直观、最终更有用的本地生活搜索。