Grafowe wyszukiwanie produktów na LLM

Wyszukiwanie produktów z wykorzystaniem grafów i LLM: architektura i przykłady

Wyszukiwanie produktów na podstawie zapytań tekstowych musi obsługiwać zapytania o długości 1–2 zdań. Oczekiwane scenariusze obejmują proste zapytania ("dżinsy"), wyszukiwanie semantyczne (sweter → bluzy), negacje ("sukienka nie z bawełny"), epitety ("efektowna sukienka"), opisy strukturalne ("długa sukienka z krótkimi rękawami"), wiele encji ("biały top i niebieskie dżinsy"), zapytania według przeznaczenia ("buty do sportu"), wzmianki o markach/cenach ("torebka Kors taniej niż 20 tys.") oraz odniesienia do znanych osób ("torebka jak u Dua Lipy").

Takie zapytania wykraczają poza wyszukiwanie słów kluczowych i wektorowe, wymagając analizy powiązań i kontekstu.

Zalety reprezentacji grafowej

Grafy przechowują nie tylko encje, ale także relacje między nimi. Dla zapytania "top" opis produktu "dżinsy Levi's, dobrze komponują się z topem" nie da fałszywie pozytywnego dopasowania: w grafie zapytania "top" jest powiązany z głównym obiektem, w produkcie — nie. Metryka podobieństwa grafów uwzględnia to, obniżając wynik.

Dla "dżinsy" wynik jest wysoki ze względu na semantyczne dopasowanie struktur.

Grafy pozwalają rozróżniać role węzłów: pożądany produkt, niepożądany atrybut, część obiektu.

Potok LLM Graph Search

Algorytm składa się z kolejnych kroków:

• Optymalizacja dynamicznych promptów: Analiza złożoności zapytania, ekstrakcja marek/cen. Dla prostych zapytań (1–2 słowa) — powrót do wyszukiwania słów kluczowych lub wektorowego. Tworzy prompt dla Text2Graph.
• Text2Graph: LLM buduje graf wiedzy z zapytania. Dzieli na podgrafy dla wielu encji.
• Wyszukiwanie grafowe: Porównanie grafu zapytania z grafami produktów według podobieństwa grafów. Zwraca top-N indeksów.
• LLM-ranker: Przeorganizowanie kandydatów dla zwiększenia precyzji.
• Ocena wyniku: Analiza dopasowań/rozbieżności (znaleziono typ, ale nie kolor). Przy niskim wyniku — iteracja lub powrót.

Opóźnienie 10–15 s jest akceptowalne dla systemów typu RAG.

Przykłady przetwarzania złożonych zapytań

Negacje

Zapytanie: "elegancka długa sukienka bez rękawów". Graf oznacza "rękawy" jako niepożądany atrybut. Wyszukiwanie wyklucza produkty z rękawami, skupiając się na sukience z atrybutami "elegancka", "długa".

Zapytania strukturalne

"Długa sukienka z krótkimi rękawami". Graf: sukienka (długa) → rękawy (krótkie). Algorytm znajduje produkty ze strukturą hierarchiczną, bez ograniczeń głębokości. Przydatne dla dokumentów z zagnieżdżonymi warunkami (wnioski z filtrami według statusu/dat).

Wiele encji

"Białe dżinsy i niebieska torebka". Text2Graph dzieli na podgrafy, wyszukiwanie uruchamiane równolegle. Możliwe dopasowanie zestawów (niebieski garnitur dla "niebieska marynarka i niebieskie spodnie"), ale wymaga dopracowania oceny, aby uniknąć fałszywych powrotów.

Przeznaczenie bez typu

"Buty do sportu". Graf rozszerza się do scenariusza użycia, dopasowuje według semantyki.

Marki i cena

"Dżinsy Levi's do 12 tys.". Filtry ekstrahowane w Text2Graph, integrowane w graf. Oceny tekstowe ("tanio") — według statystyki podobnych produktów.

Co jest ważne

• Wyszukiwanie grafowe przewyższa wektorowe w zapytaniach strukturalnych z negacjami i powiązaniami.
• Potok jest niezależny od domeny (oprócz optymalizacji promptów), adaptuje się do książek/dokumentów.
• Ocena wyniku pozwala na iteracje bez pokazywania użytkownikowi.
• Opóźnienie spada do 2–3 s przy wektoryzacji i opcjonalnym rankerze.
• Perspektywy: routing według złożoności, modele multimodalne, deep research.

— Editorial Team