美团搜索3.0应用LLM语义表征优化排序模型
美团搜索用大模型生成语义相似度特征注入排序模型，三期迭代全量上线，解决长尾搜索词与商品文本不匹配问题。
美团搜索3.0在精排模型中引入大语言模型生成的语义向量，解决服务零售场景下搜索词与商品文字不重叠但语义相关的问题。团队用特殊Token和注意力掩码让模型分别学习Query和商家表征，以余弦相似度注入排序模型，三期迭代后全量上线，显著提升搜索效果。
正文摘录
 美团搜索 3.0：LLM 语义表征在排序模型的探索与应用 美团搜索 2026-08-20 搜索推荐 大模型 在大语言模型（LLM）技术的深刻影响下，搜索引擎正经历第三次范式跃迁：从 1.0 时代的"关键词文本匹配"，到 2.0 时代的"行为统计与个性化搜索"，再到 3.0 时代向"复杂意图理解与认知决策"的全面进化。美团搜索团队正依托团垂融合新架构与生成式大模型新技术，全面重构本地生活搜索底座。本系列技术博客将持续介绍美团搜索 3.0 的技术探索，本文聚焦 LLM 语义表征在服务零售排序场景上的三期实践——从单点特征验证到系统性表征体系构建，再到跨场景迁移复用，探索语义匹配信号在搜索排序中的应用路径。 一、背景与动机 服务零售是将服务销售给最终消费者的商业活动，与之对应的概念为商品零售。服务零售和商品零售是美团零售业务的两个主要组成部分。 在美团搜索场景下，相较于到家和其他到店业务，服务零售具有以下显著特点： - 品类丰富：覆盖丽人、休闲娱乐、家政、进场零售等众多细分行业。 - 搜索需求类型丰富：交易型、信息型、留资型并存。 - 供给非标准化程度高：交易内容的多维组合性（e.g. 券、时间、位次、场次、空间、技师等）以及基于"人"和"场所"进行履约，共同促使供给的个性化和非标准化。 传统精排模型的语义建模高度依赖文本匹配，但这类特征构建成本高、泛化能力弱，在面对服务零售大量长尾品类、复杂 Query 意图时尤为明显。