Graphbasierte Produktsuche mit LLMs: Architektur und Beispiele
Die Produktsuche basierend auf Textanfragen muss Anfragen verarbeiten, die 1–2 Sätze lang sind. Erwartete Szenarien umfassen einfache Abfragen ("Jeans"), semantische Suche (Pullover → Sweatshirts), Verneinungen ("Kleid nicht aus Baumwolle"), Adjektive ("atemberaubendes Kleid"), strukturierte Beschreibungen ("langes Kleid mit kurzen Ärmeln"), mehrere Entitäten ("weißes Top und blaue Jeans"), zweckbasierte Abfragen ("Schuhe für Sport"), Marken-/Preisangaben ("Kors-Tasche unter 20k") und Verweise auf Prominente ("Tasche wie von Dua Lipa").
Solche Abfragen gehen über die reine Keyword- und Vektorsuche hinaus und erfordern eine Analyse von Beziehungen und Kontext.
Vorteile der Graphdarstellung
Graphen speichern nicht nur Entitäten, sondern auch die Beziehungen zwischen ihnen. Bei einer Abfrage wie "Tanktop" führt eine Produktbeschreibung mit "Levi's Jeans, passt gut zu einem Top" nicht zu einem falsch positiven Treffer: Im Abfragegraphen ist "Tanktop" mit dem Hauptobjekt verknüpft, im Produkt jedoch nicht. Die Graph2Graph-Ähnlichkeitsmetrik berücksichtigt dies und senkt die Bewertung.
Bei "Jeans" ist die Bewertung hoch aufgrund der semantischen Übereinstimmung der Strukturen.
Graphen ermöglichen es, Rollen von Knoten zu unterscheiden: gewünschtes Produkt, unerwünschtes Attribut, Teil eines Objekts.
LLM-Graphsuch-Pipeline
Der Algorithmus besteht aus aufeinanderfolgenden Schritten:
- Dynamische Prompt-Optimierung: Analysiert die Abfragekomplexität, extrahiert Marken/Preise. Bei einfachen Abfragen (1–2 Wörter) greift er auf Keyword- oder Vektorsuche zurück. Erstellt einen Prompt für Text2Graph.
- Text2Graph: Das LLM konstruiert einen Wissensgraphen aus der Abfrage. Teilt ihn bei mehreren Entitäten in Subgraphen auf.
- Graphsuche: Vergleicht den Abfragegraphen mit Produktgraphen mithilfe der Graph2Graph-Ähnlichkeit. Gibt die Top-N-Indizes aus.
- LLM-Ranker: Sortiert Kandidaten neu, um die Genauigkeit zu verbessern.
- Ergebnisauswertung: Analysiert Übereinstimmungen/Abweichungen (gefundener Typ, aber nicht Farbe). Bei niedriger Bewertung wird iteriert oder auf Fallback zurückgegriffen.
Eine Latenz von 10–15 Sekunden ist für RAG-ähnliche Systeme akzeptabel.
Beispiele für die Verarbeitung komplexer Abfragen
Verneinungen
Abfrage: "elegantes langes Kleid ohne Ärmel." Der Graph markiert "Ärmel" als unerwünschtes Attribut. Die Suche schließt Produkte mit Ärmeln aus und konzentriert sich auf Kleider mit den Attributen "elegant," "lang."
Strukturierte Abfragen
"Langes Kleid mit kurzen Ärmeln." Graph: Kleid (lang) → Ärmel (kurz). Der Algorithmus findet Produkte mit hierarchischer Struktur, ohne Tiefenbeschränkungen. Nützlich für Dokumente mit verschachtelten Bedingungen (Anwendungen mit Filtern nach Status/Daten).
Mehrere Entitäten
"Weiße Jeans und blaue Tasche." Text2Graph teilt in Subgraphen auf, die Suche läuft parallel. Das Abgleichen von Sets ist möglich (blauer Anzug für "blaue Jacke und blaue Hose"), erfordert jedoch in der Auswertung Verfeinerung, um falsche Fallbacks zu vermeiden.
Zweck ohne Typ
"Schuhe für Sport." Der Graph erweitert sich auf das Nutzungsszenario, gleicht nach Semantik ab.
Marken und Preis
"Levi's Jeans unter 12k." Filter werden in Text2Graph extrahiert und in den Graphen integriert. Textuelle Bewertungen ("günstig") basieren auf Statistiken ähnlicher Produkte.
Wichtige Erkenntnisse
- Die Graphsuche übertrifft die Vektorsuche bei strukturierten Abfragen mit Verneinungen und Beziehungen.
- Die Pipeline ist domänenunabhängig (außer Prompt-Optimierung), anpassbar für Bücher/Dokumente.
- Die Ergebnisauswertung ermöglicht Iterationen, ohne sie dem Nutzer anzuzeigen.
- Die Latenz reduziert sich auf 2–3 Sekunden mit Vektorisierung und optionalem Ranker.
- Zukunftsaussichten: Komplexitätsbasiertes Routing, multimodale Modelle, tiefgehende Recherche.
— Editorial Team
Noch keine Kommentare.