北京
电商搜索的召回环节，正在被大模型悄悄改写。阿里手猫搜索团队最近公开了一项名为 CQ-SID 的工程实践，把 LLM 生成式检索真正落到了电商搜索的召回链路里。效果很直接：线上全量部署后，GMV 提升了 1.15%，点击占比达到 58.96%，成交占比 72.63%。
这个数字放在电商场景里，不是小打小闹。要知道，搜索召回是漏斗的最上游，这里每提升一点精度，后面粗排、精排的压力都会小很多。但问题在于，把生成式检索从论文搬到线上，远不是换个模型那么简单。
四个绕不开的坎
手猫搜索团队在实践里总结了四大挑战，每一个都卡在关键路径上：
- 端到端生成可行性：电商搜索对用户意图的准确性要求极高，面对上亿商品池，端到端生成难以充分建模，还容易产生马太效应。
- SID 设计困境：商品标识符怎么设计，直接决定生成质量，但一物一 ID 的低碰撞率路线在电商场景里走不通。
- 商品池动态演化：商品上新、下架是常态，静态的标识符体系跟不上变化。
- 召回排序一致性：召回结果如果和精排的口径不一致，优质商品可能在后续链路里被截断过滤。
所以他们的定位很务实：生成式检索不是要端到端替代现有链路，而是作为召回中的一路补充。这个定位，决定了后面所有技术方案的方向。
CQ-SID：把 SID 当语义簇，而不是商品身份证
核心创新点之一是 CQ-SID 方法。它基于 RQ-VAE 引入类目约束和 Query-Item 对比学习，目标不是让每个商品有唯一 ID，而是把 SID 当作一个语义簇的标识符。
这个思路的转变很关键。追求绝对唯一性，会导致 Beam Search 效率低下；而把 SID 设计成语义簇，就能在区分度、聚合性和层次化结构之间找到平衡点。实验数据显示，在相同 Beam Size 下，CQ-SID 的 Hitrate 提升最高能达到 26.76%，而且能用更少的推理资源拿到更高的召回质量。
渐进式训练：从商品映射到个性化生成
训练策略上，团队没有一步到位，而是设计了渐进式 SFT 流程：
- 先建立 Item-SID 的基础映射
- 再训练 Query-SID 的语义理解
- 最后融入用户画像，实现 (U+Query)-SID 的个性化生成
分阶段训练的好处是知识逐步传递，避免任务跳跃带来的灾难性遗忘。这个细节，很多团队在实操中容易忽略，但恰恰是线上效果稳定的关键。
EG-GRPO：用专家引导解决稀疏奖励
强化学习阶段，标准 GRPO 在电商场景里有个明显问题：点击样本稀疏，导致概率集中在少数高置信度 SID 上，深层多样性下降。团队提出的 EG-GRPO 方法，通过在策略梯度群组里注入 GroundTruth 样本作为专家引导，在提升点击 Hitrate 的同时保持曝光广度。
结果就是精确性和多样性实现了帕累托改进——不是牺牲一个换另一个，而是两个指标一起涨。从线上数据看，生成式召回路的带重曝光占比达到 50.25%，点击占比 58.96%，成交占比 72.63%。
这套实践的启示
这次探索最值得借鉴的地方，不是某个模型结构有多惊艳，而是工程落地的分寸感。生成式检索在搜索场景里被讨论了很多年，但真正敢在电商这种对准确性极度敏感的场景里全量部署的团队不多。
手猫搜索团队的选择是：不追求颠覆，只做补充路径；不追求一物一 ID，只求语义簇合理；不追求一步到位，用渐进式训练稳扎稳打。这种务实路线，可能才是大模型技术在工业场景里真正跑通的关键。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
