Improving Item Discoverability in e-Commerce Search via Related Intent Generation
作者: Ji Xin, Xiao Xiao, Ishan Bhatt, Vinesh Gudla, Trace Levinson, Raochuan Fan, Shishir Kumar Prasad, Prakash Putta, Tejaswi Tenneti
分类: cs.IR, cs.AI
发布日期: 2026-07-29
备注: Accepted to KDD 2026 TSMO
💡 一句话要点
提出基于意图生成的搜索系统以提升电商商品可发现性
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电商搜索 意图生成 商品发现 大型语言模型 小型语言模型 召回扩展 用户体验 市场平衡
📋 核心要点
- 现有电商搜索系统往往只关注查询的精准匹配，导致用户难以发现相关商品，影响用户体验。
- 论文提出了一种基于意图生成的发现增强搜索系统，通过隐式用户意图扩展候选商品，提高检索的相关性和多样性。
- 实验结果显示，该系统将商品发现覆盖率从60%提升至80%，且推理成本显著降低，具有良好的实际应用潜力。
📝 摘要（中文）
传统搜索系统通常优化于严格匹配查询，优先考虑精准度而非召回率。在电商市场，尤其是杂货领域，这一范式限制了用户满意度和商业成果，因为用户对替代品、互补品和主题相关商品的可发现性依赖很大。本文提出了一种可扩展的发现增强搜索系统，利用意图条件的召回扩展。该方法生成隐式用户意图以扩展候选召回，同时保持相关性。系统通过两阶段混合架构解决生成检索的成本与质量权衡，首先利用封闭权重的大型语言模型（LLM）最大化头部查询的可发现性，然后引入经过LoRA适配器和教师-学生蒸馏训练的小型语言模型（SLM）以扩展尾部查询的收益。实验结果表明，该方法提高了意图生成质量和下游检索效果，将发现覆盖率从约60%提升至80%，且推理成本仅为教师模型的约30%。
🔬 方法详解
问题定义：本文旨在解决传统电商搜索系统在商品发现方面的不足，尤其是对替代品和互补品的可发现性不足，导致用户体验不佳和商业效益降低。
核心思路：提出通过生成隐式用户意图来扩展检索候选项，利用意图条件的召回扩展来提升商品的可发现性，同时保持与用户查询的相关性。
技术框架：系统采用两阶段混合架构，第一阶段利用封闭权重的大型语言模型（LLM）处理头部查询，第二阶段引入经过LoRA适配器和教师-学生蒸馏的小型语言模型（SLM）来处理尾部查询。
关键创新：最重要的创新在于通过意图生成机制扩展检索候选项，显著提高了商品的发现率，与传统方法相比，能够更好地满足用户的多样化需求。
关键设计：在模型训练中，采用LoRA适配器进行小型语言模型的微调，并通过教师-学生蒸馏技术来提升模型性能，确保在降低推理成本的同时保持高质量的检索效果。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的系统在意图生成质量和下游检索效果上均有显著提升，商品发现覆盖率从60%提升至80%，而推理成本仅为教师模型的约30%，显示出良好的实用性和可扩展性。
🎯 应用场景
该研究的潜在应用领域包括电商平台、在线市场和推荐系统等。通过提升商品的可发现性，能够有效改善用户体验，增加销售机会，尤其是对长尾商品和新兴供应商的支持，促进市场的公平竞争与多样化发展。
📄 摘要（原文）
Traditional search systems are optimized to retrieve items that strictly match a query, often prioritizing precision over recall. In e-commerce marketplaces and particularly grocery, this paradigm is limiting, as user satisfaction and commercial outcomes depend heavily on the discoverability of substitute, complementary, and thematically related items. In this paper, we present a scalable system for discovery-augmented search that leverages intent-conditioned recall expansion. Our approach generates implicit user intents to expand candidate recall while maintaining relevance. The system addresses the cost-quality tradeoff of generative retrieval through a two-stage hybrid architecture. First, we leverage closed-weight large language models (LLMs) to maximize discoverability for head queries. To extend these benefits to tail queries, we then introduce a finetuned small language model (SLM), trained via LoRA adapters and teacher-student distillation. We evaluate the system using a rigorous dual framework: (a) LLM-as-a-judge metrics validated against human preferences for semantic quality, and (b) end-to-end session-level purchase analysis. Results demonstrate that our approach improves both intent generation quality and downstream retrieval effectiveness, extending discovery coverage from approximately 60% to 80% of query traffic at roughly 30% of the teacher model's inference cost, offering a viable path for deployment in large-scale marketplaces. Beyond relevance gains, discovery-augmented search may serve as a marketplace-balancing mechanism, giving long-tail and emerging supply an opportunity for query-conditioned exposure.