随着大语言模型（LLM）技术的深度演进，搜索引擎正经历第三次范式跃迁，从传统的关键词文本匹配，加速迈向以复杂意图理解与认知决策为核心的3.0时代。近日，美团技术团队发表深度技术解析，全面披露了美团搜索3.0在服务零售排序场景中的三次迭代演进，揭示了大模型语义表征(Semantic Representation)在本地生活复杂场景下的落地路径与核心价值。
一、 破局服务零售:从传统词面匹配到大模型语义重构
服务零售与商品零售在业务形态上有着本质区别。相较于标准化程度较高的商品零售，美团所处的服务零售与本地生活场景呈现出品类繁多、搜索需求类型多元（交易型、信息型、留资型并存）、供给非标准化程度极高等特点。
在日常搜索中，传统的精排模型高度依赖文本字面匹配。然而，在面对海量长尾品类与复杂用户意图时，传统特征工程的泛化能力明显捉襟见肘。例如，当用户搜索“宠物 SPA+ 洗澡”时，对应的商家或商品名称可能是“萌宠清洁护理套餐”;搜索“春节大扫除”时，对应的则是“深度保洁服务套餐”。在这类典型的 Case 中，Query 与供给在字面上几乎没有重叠，但其背后隐藏的语义却是高度相关的。
为了跨越这种传统的语义鸿沟，美团服务零售搜索排序团队在过去一年多时间里，系统性地推进了 LLM 在精排模型中的应用探索，通过为搜索词（Query）、商家(POI)和商品(Deal)生成高质量的语义向量表征，将语义匹配信号以 cosine 相似度的形式注入排序模型，实现了从单点特征验证到体系化重构，再到跨场景迁移复用的跨越式发展。
二、 三期技术演进:从可行性验证到全域体系构建
1. 一期:精排引入大模型语义表征（验证可行性）
在一期阶段，团队的核心目标非常纯粹:验证 LLM 表征能否对精排模型产生实质性帮助。
- 技术设计:选用小参数量开源基座模型进行全参数微调，并在词表中引入特殊 Token 作为聚合锚点，通过精心设计的 Attention Mask 实现 Query 与商家信息的隔离。
- 特征注入:模型推理生成各自的 Embedding 后，计算 cosine 相似度并通过离散分桶的方式，以可学习 Embedding 的形式拼接到精排模型特征中。
- 线上成果:离线验证显示点击 NDCG 显著提升，上线后大盘搜索支付订单与服务零售订单均迎来显著增长，特别是在传统词面匹配最薄弱的长尾场景中，BadCase 显著下降。这直接印证了 LLM 语义表征在精排场景中的巨大潜力。
2. 二期:商家精排表征系统性升级
针对一期暴露出的商品侧语义缺失、全参数微调成本高、优化目标不够全面等痛点，二期工程对表征生产全流程进行了系统性重构。
- 五元组与对比学习:构建包含 Query、商品正样本、商家正样本及难负样本的五元组训练数据，彻底抛弃传统的二分类目标，全面引入 InfoNCE Loss 与 Triplet Loss，完美解决了排序模型真正关心的“多候选相对序”问题。
- 轻量化与高效提取:从全参数微调转向 LoRA 方案，采用独立的序列及可学习向量替代旧方案，并将降维方式升级为 MRL-E（Matryoshka Representation Learning），在提升训练与推理效率的同时，支持了多尺度的灵活应用。
- 线上成果:商家精排的点击 GAUC 与转化效率得到全方位增强。线上数据显示，大盘有效点击与结果页转化率（QV_CTR）显著上升，充分证明大模型语义表征不仅能带来更多曝光机会，更能通过精准推荐优化整体转化质量。
3. 三期:下挂精排引入表征与全域特征交叉
在完成商家精排的系统性重构后，团队将成熟方案进一步平移至下挂精排（即对商家下挂的具体商品进行排序），并同步推进了全域交叉统计特征的治理与补充。
- 破解覆盖难题:由于商家精排与下挂精排的 Query 分布存在本质差异，迁移初期面临 Query 覆盖率不足的挑战。团队通过对两端场景进行精细化对齐与数据治理，成功将大模型语义表征能力无缝延伸至商品下挂层。
- 双线并行:将“大模型表征迁移”与“个性化×商品”、“Query 意图×商品”的交叉维度建模相结合，实现了搜索结果在精细化维度上的再度跃升。
三、 总结与展望
美团搜索3.0的演进历程表明，大模型在本地生活领域的落地并非一蹴而就，而是需要经历从单点特征验证、系统性表征重构，到跨场景泛化复用的扎实路径。通过将 LLM 强大的语义理解能力转化为高密度的连续表征和离散分桶特征，美团成功打通了服务零售场景下复杂意图与非标准化供给之间的壁垒，为广大用户带来了更加精准、智能的本地生活搜索体验。