【ITBEAR】今天分享的是：京东（翟周伟）：电商大模型及搜索应用实践
报告共计：33页
京东技术总监翟周伟在演讲中分享了电商大模型及搜索应用实践，涵盖电商行业发展、大模型应用问题与解决方案以及在搜索场景中的实践等内容，为电商领域AI技术发展提供了全面参考。
1. 电商行业发展与技术演进
- 行业发展状况：过去十年实物商品网上零售额高速增长，电商模式从货架电商为主发展为与内容电商并存，技术创新降低了商品流通成本，提升了零售效率。
- 消费决策链分析：用户消费决策链包括购前、购中、购后，搜索是关键环节，电商搜索旨在基于用户需求进行商品分发，优化目标为GMV和UCVR，与一般信息搜索不同。
- 技术演进洞察：技术演进经历了文本检索、机器学习、深度学习到大模型阶段，从规则引擎应用到基于DNN的精准理解，再到多模态交互和AGI导购助手，不断追求更低成本、更高效率和更好体验。
2. 大模型在电商场景下的问题与解决方案
- 技术优势与应用问题：大模型具有逻辑推理、多语言理解等优势，但在电商场景中面临商品知识专业性不足、个性化挑战、时效性低、成本高和安全性风险等问题。
- 京东电商大模型方案：构建了文本大模型底座（Dense + MOE）和多模态大模型底座，通过DataPipeline提升数据质量，进行持续预训练、通用和领域对齐学习，从被动和主动安全两方面保障安全性，并建立评估体系。
3. 电商搜索场景下大模型应用实践
- 搜索交互优化：利用大模型提升搜索交互效率，如Sug、纠错等功能，应用电商知识增强的大模型，结合搜索交互日志优化目标，通过多指令学习迭代改进。
- 电商意图理解提升：旨在解决用户需求与商品语义对齐问题，通过指令学习，利用搜索用户反馈和RAG技术，提升商品召回相关性和多样性。
- 文案创意生成辅助：借助大模型生成能力降低商品素材成本，如商品标题、文案、卖点生成，采用图文语义对齐学习技术，利用多模态大模型。
- 电商搜索相关性改进：核心是用户需求与商品匹配问题，主流模型有孪生网络和交互式匹配，京东采用prompt工程应用 + 数据增强蒸馏或增强预训练 + 相关性对齐方案。
4. 下一代AI电商搜索展望：传统和新兴电商依赖搜推技术，当前存在用户交互成本高、决策成本高、转化链路长、体验受限等痛点。未来将以大模型 + Agent / AGI技术驱动，实现多模态直接结果展示，提升用户体验和电商运营效率。
以下为报告节选内容
