电商搜索相关 AI 资讯 · AI 热点

8月3日

08:53

08:53

官方一手marktechpost@Michal Sutter

旧金山搜索与发现公司Onton发布神经符号模型Ontology 1，服务于复杂、对话式、多模态商品搜索。在由三个独立LLM评委评分的90条查询基准上，Ontology 1的mean precision@10达0.630，Google Shopping为0.543，Amazon为0.469。该模型仅索引约1%的商品数据。Onton称其比全球最佳电商搜索引擎准确率高2.7倍。

AI模型 Onton Ontology 1 神经符号

推荐理由：Onton发布了搜索模型Ontology 1，90条查询上precision@10到0.630，压过Google Shopping和Amazon，而且只用了1%索引数据。做搜索的可以看看。

7月30日

11:18

11:18

官方账号arXiv cs.AI@Ji Xin, Xiao Xiao, Ishan Bhatt, Vinesh Gudla, Trace Levinson, Raochuan Fan, Shishir Kumar Prasad, Prakash Putta, Tejaswi Tenneti

该论文提出一种发现增强的搜索系统，利用意图条件召回扩展。采用两阶段混合架构：先使用闭源大语言模型（LLM）优化头部查询，再通过LoRA适配器和师生蒸馏微调小语言模型（SLM）覆盖尾部查询。系统评估使用LLM-as-a-judge指标和端到端会话级购买分析。结果将发现覆盖率从约60%提升至80%，推理成本仅为教师模型的30%。

论文 LLM SLM 电商搜索

推荐理由：论文提出一种混合架构，用大模型和小模型结合，将电商搜索发现覆盖率从60%提升到80%，推理成本仅大模型的30%，适合大规模部署。

7月28日

01:12

01:12

Milvus@milvusio

精选

推文以“pink headphones for kids with ears under $20”为例，说明电商搜索需同时处理语义意图和数值约束（价格<20美元）。Lumen演示项目通过查询理解分离产品意图与过滤器，使用密集向量搜索、BM25关键词匹配和Milvus过滤（价格、评分、品牌等）。诊断面板展示了Milvus查询、嵌入维度、融合策略和延迟等关键指标。该方案整合了混合检索、元数据过滤和多模态相似度，适用于现代产品搜索。

技巧 Milvus BM25 电商搜索

推荐理由：想给电商搜索加上混合检索？看看这个Lumen demo怎么把语义、关键词和价格过滤组合起来，还能可视化诊断。

7月10日

01:02

01:02

Weaviate@weaviate_io

精选

Weaviate Playground 推出 ecommerce demo，名为 WeCommerce，支持关键词、情绪或氛围查询，自动路由到 BM25、语义向量搜索或混合搜索。结果支持实时分面过滤（类别、品牌、价格），产品页通过近对象向量搜索推荐相似商品。整个搜索和推荐由同一向量集合驱动，无需额外基础设施。演示基于 Weaviate Cloud 免费层，可快速搭建。

技巧 Weaviate WeCommerce 向量搜索

推荐理由：想给你的电商加智能搜索？Weaviate 这个 demo 直接演示了关键词、情绪查询和混合搜索怎么做，还带分面过滤，免费就能试。

5月21日

08:00

08:00

Milvus@milvusio

精选

Milvus 在 2.6.2 版本中推出了 Boost Ranker 功能，解决了电商和企业团队在使用向量搜索时遇到的痛点：语义匹配结果往往不符合业务需求（如优先展示有库存的商品）。传统做法是在向量数据库外构建第二套系统进行后处理，增加了维护成本。Boost Ranker 将业务规则直接集成到搜索过程中，通过 filter、weight 和 re-sort 三步操作，在一个搜索调用内完成排序，无需外部依赖、无需重建索引、无需维护第二套系统，且几乎没有延迟开销。

AI产品 Milvus 向量搜索 Boost Ranker

推荐理由：做电商搜索或企业级向量搜索的团队，终于不用在数据库外再搭一套规则引擎了——Boost Ranker 把业务逻辑直接塞进搜索里，省掉一个系统，建议直接试试。