基于 LLM 的图产品搜索

基于图与LLM的商品搜索：架构与实例解析

基于文本查询的商品搜索需要处理1-2句话长度的请求。常见场景包括简单查询（“牛仔裤”）、语义搜索（毛衣→卫衣）、否定表达（“非棉质连衣裙”）、形容词修饰（“惊艳连衣裙”）、结构化描述（“长袖短款连衣裙”）、多实体查询（“白色上衣配蓝色牛仔裤”）、用途导向查询（“运动鞋”）、品牌/价格提及（“2万元以下的Kors包”），以及公众人物参考（“类似Dua Lipa的包”）。

这类查询超越了关键词和向量搜索，需要分析关系和上下文。

图表示的优势

图不仅能存储实体，还能存储实体间的关系。对于“坦克背心”这样的查询，商品描述中若出现“Levi's牛仔裤，搭配上衣更佳”不会导致误匹配：在查询图中，“坦克背心”与主要对象相连，但在商品图中则不然。图到图相似度度量会考虑这一点，从而降低评分。

对于“牛仔裤”，由于结构语义对齐，评分较高。

图允许区分节点角色：期望商品、不期望属性、对象组成部分。

LLM图搜索流程

算法包含以下步骤：

• 动态提示优化：分析查询复杂度，提取品牌/价格。对于简单查询（1-2个词），回退到关键词或向量搜索。为Text2Graph生成提示。
• Text2Graph：LLM从查询构建知识图。将多实体查询拆分为子图。
• 图搜索：使用图到图相似度比较查询图与商品图。输出前N个索引。
• LLM排序器：重新排序候选结果以提高准确性。
• 结果评估：分析匹配/不匹配情况（如找到类型但颜色不符）。若评分低，则迭代或回退。

对于类似RAG的系统，10-15秒的延迟是可接受的。

复杂查询处理实例

否定表达

查询：“优雅无袖长裙”。图中将“袖子”标记为不期望属性。搜索排除带袖子的商品，专注于具有“优雅”、“长”属性的连衣裙。

结构化查询

“短袖长款连衣裙”。图：连衣裙（长）→袖子（短）。算法找到具有层次结构的产品，无深度限制。适用于嵌套条件文档（如带状态/日期筛选的申请）。

多实体查询

“白色牛仔裤和蓝色包”。Text2Graph拆分为子图，并行搜索。可匹配集合（如“蓝色夹克和蓝色裤子”对应蓝色套装），但需在评估中细化以避免误回退。

无类型用途查询

“运动鞋”。图扩展至使用场景，通过语义匹配。

品牌与价格

“1.2万元以下的Levi's牛仔裤”。筛选条件在Text2Graph中提取并整合到图中。文本评估（如“便宜”）基于类似产品的统计数据。

关键要点

• 在处理含否定和关系的结构化查询时，图搜索优于向量搜索。
• 流程具有领域无关性（除提示优化外），可适配书籍/文档。
• 结果评估允许在不向用户展示的情况下进行迭代。
• 通过向量化和可选排序器，延迟可降至2-3秒。
• 未来展望：基于复杂度的路由、多模态模型、深度研究。

— Editorial Team