美團搜索 3.0：LLM 語義表徵在服務零售排序模型的探索與應用

美團搜索團隊分享 LLM 語意表徵在本地生活服務排序場景的三期實踐與架構重构。

在大語言模型（LLM）驅動下，美團正全面重構本地生活搜索底座，聚焦服務零售場景解決傳統文本匹配在長尾品類與複雜意圖上的語義斷層。

• 團隊歷經三期技術演進，從單點特徵驗證、系統性表征體系建構，逐步擴展至跨場景遷移復用。 • 一期透過輕量級 LLM 微調產出 Query 與 POI 向量，以 cosine 相似度分桶特徵注入精排模型，顯著帶動大盤與服務零售訂單增長。 • 二期引進五元組訓練樣本、LoRA 微調與 InfoNCE 結合 Triplet Loss 的對比學習，升級為包含商品（Deal）的三元語義表征體系。 • 實驗發現過於複雜的 Prompt 反而會干擾語義聚合，證明在表征訓練中資訊品質遠比資訊量更重要。

引入難負樣本建模對排序下單信號的捕獲遠比點擊信號更有價值，印證了從分類任務轉向排序優化的正確方向。