知识卡片：提升电商搜索中商品可发现性的相关意图生成

一句话结论

提出一种混合大模型与小模型的发现增强搜索架构，将电商搜索中意图驱动的候选商品覆盖率从约60%提升至80%，推理成本仅为大模型教师版本的约30%，同时保持语义相关性。

事件概述或研究问题

传统电商搜索系统（尤其是生鲜杂货领域）优化目标是精确匹配查询，优先保证精准率但牺牲召回率，导致替代品、互补品及主题相关商品难以被用户发现。本文旨在通过生成隐式用户意图来扩展候选召回，在不损害相关性的前提下提升商品可发现性。

方法/产品要点

• 两阶段混合架构：先利用闭源大语言模型（LLM）最大化头部查询的发现能力；再通过微调的小语言模型（SLM）覆盖尾部查询。
• 训练技术：小模型使用LoRA适配器与师生蒸馏（teacher-student distillation）训练，从大模型蒸馏意图生成能力。
• 评估框架：双重验证——（a）以大模型作为评判（LLM-as-a-judge）的语义质量指标，并与人类偏好对齐；（b）端到端的会话级购买行为分析。

主要结果或产业意义

• 发现覆盖范围从约60%的查询流量扩展到约80%的查询流量。
• 推理成本约为教师大模型的30%，具备大规模部署性价比。
• 发现增强搜索可作为市场平衡机制，为长尾商品和新上架商品提供查询条件下的曝光机会。

为什么重要

传统搜索精度优先的范式在电商中限制了用户发现多样化商品的可能。本文在维持相关性的前提下系统性提升了召回广度，且通过小模型蒸馏降低了实际部署成本，为现有搜索系统提供了可行的升级路径。其作为市场平衡机制的额外功能有助于改善平台生态。

局限与不确定性

• 具体使用的闭源大模型名称、小模型架构、训练数据集规模及来源均未在元数据中提供，待核实。
• 头部/尾部查询的划分阈值、蒸馏过程中的知识损失程度未说明，待核实。
• “LLM-as-a-judge”的验证与人类偏好的对齐程度具体数值缺失，待核实。
• 仅基于摘要，未获取论文正文，更多实验细节（如消融研究、基线对比）无法确认，待核实。

可用于图书/PPT/简报的角度

• 电商搜索产品优化：如何平衡精准匹配与发现性，提升用户购买转化。
• 大模型蒸馏落地案例：从闭源LLM蒸馏到小模型，在成本敏感场景中的工程实践。
• 长尾商品曝光策略：搜索系统作为市场调节工具，避免头部商品垄断，促进生态健康。
• 评估方法论：LLM-as-a-judge在搜索质量评估中的运用与人类偏好校准。

原始材料

• URL: https://arxiv.org/abs/2607.27172v1
• 英文标题：Improving Item Discoverability in e-Commerce Search via Related Intent Generation
• 英文关键词（根据摘要推断）：e-commerce search, item discoverability, related intent generation, generative retrieval, small language model, teacher-student distillation, LoRA, LLM-as-a-judge