美团搜索3.0：大模型如何重构本地生活搜索
当你在美团上搜索“宠物水疗+洗澡”时，你不仅仅是在输入文字——你在表达一种需求。但传统的搜索引擎往往难以将该查询与提供“宠物清洁护理套餐”的商家联系起来。词语不匹配，即使意图明确。这是美团搜索3.0旨在解决的挑战。
在最近的技术深度剖析中，美团团队透露了他们如何从头开始使用大语言模型（LLM）重建搜索基础设施。目标是什么？超越表面关键词匹配，真正理解用户的含义，即使他们不使用商家使用的确切词语。
服务零售难题
与产品零售不同，产品零售中商品标准化且易于分类，服务零售则杂乱无章。想想各种服务：从理发到家庭维修，从宠物美容到深度清洁。搜索查询也同样多样化——交易型（“预约理发”）、信息型（“深度清洁多少钱？”）和潜在客户生成型（“找到我附近的管道工”）。
传统的排名模型严重依赖词汇匹配——它们在查询和商家描述中寻找相同的词语。但这种方法在长尾类别和复杂意图方面表现不佳。例如，搜索“春节大扫除”可能无法匹配提供“深度清洁服务套餐”的商家。词语不重叠，但含义完全正确。
更智能搜索的三个步骤
美团团队没有直接进行全面改革。相反，他们采取了分阶段的方法，每一步都建立在前一步的基础上。
第一阶段：证明其有效性
第一步很简单：LLM表示是否真的有助于排名？团队微调了一个小型开源模型，添加特殊标记作为锚点。他们精心设计了注意力掩码，以保持查询和商家信息分离。然后，他们计算查询和商家嵌入之间的余弦相似度，将结果分箱，并将其作为特征输入排名模型。
离线结果很有希望——点击NDCG显著提高。在线，搜索支付订单和服务零售订单显著增加，尤其是在传统匹配最薄弱的长尾场景中。这是他们需要的证明。
第二阶段：构建更好的表示
第一阶段暴露了一些痛点：产品端缺乏语义表示，全参数微调成本高昂，优化目标不完整。因此，团队重建了整个表示管道。
他们引入了五元组训练数据集，包括查询、正样本产品、正样本商家和难负样本。他们放弃了二元分类目标，转而使用InfoNCE损失和三元组损失，这些损失能更好地捕捉多个候选之间的相对顺序——这正是排名模型所关心的。
他们还改用LoRA进行轻量级微调，并采用MRL-E（俄罗斯套娃表示学习）实现灵活的多尺度嵌入。结果呢？商家排名在点击GAUC和转化效率方面显著提高。在线，有效点击和结果页转化率（QV_CTR）上升，表明LLM表示不仅带来更多曝光，还带来更好的转化质量。
第三阶段：深入发展
在商家排名解决后，团队转向下游排名——对商家下的特定产品进行排名。这不是简单的转移。查询分布不同，初始覆盖率低。通过细粒度对齐和数据治理，他们将语义表示能力扩展到产品级别。
他们还将LLM表示迁移与跨维度建模相结合，如“个性化×产品”和“查询意图×产品”。这种双管齐下的方法带来了搜索精度的又一次飞跃。
未来之路
美团搜索3.0的历程表明，将LLM应用于本地生活搜索并非一蹴而就。它需要一条坚实的路径：从单点特征验证，到系统化表示重建，再到跨场景泛化。通过将LLM强大的语义理解转化为密集的连续表示和离散分箱特征，美团打破了复杂意图与非标准化供给之间的障碍。结果是更准确、更直观的搜索体验，即使你不说确切词语，它也能理解你。
关键要点
- 语义鸿沟：当查询和商家描述不共享词语时，即使语义相关，传统关键词匹配也会失败。
- 分阶段方法：美团在排名中验证了LLM表示，然后系统地重建了表示管道，最后将其扩展到下游排名。
- 技术创新：使用五元组训练数据、InfoNCE/三元组损失、LoRA微调和MRL-E实现高效灵活的嵌入。
- 实际影响：点击NDCG、转化率和长尾搜索性能显著提高。
- 未来展望：这一成功为更智能的本地生活搜索铺平了道路，弥合了用户意图与服务供给之间的差距。