
-
生物通官微
陪你抓住生命科技
跳动的脉搏
人工智能语义搜索在电子商务中的性能评估与多样性权衡研究
《Scientific Reports》:AI-based semantic search improves e-commerce product search more consistently when augmenting keyword matching than when replacing it
【字体: 大 中 小 】 时间:2026年09月30日 来源:Scientific Reports 4.9
编辑推荐:
摘要零售商越来越认为基于人工智能的语义搜索能够提升电子商务产品发现的效率,但其效果可能取决于搜索查询的特征以及所采用的评估维度。本研究在WANDS数据集以及一个独立的美国ESCI测试子集上,通过控制候选项重排序和离线算法用户体验(UX)代理,评估了五种检索方法:BM25、TF-I
零售商越来越认为基于人工智能的语义搜索能够提升电子商务产品发现的效率,但其效果可能取决于搜索查询的特征以及所采用的评估维度。本研究在WANDS数据集以及一个独立的美国ESCI测试子集上,通过控制候选项重排序和离线算法用户体验(UX)代理,评估了五种检索方法:BM25、TF-IDF、密集型MiniLM、词汇-语义混合模型以及跨编码器重排序算法。结果表明,在两种基准测试中,混合检索和跨编码器重排序方法在nDCG@10指标上的表现均显著优于BM25;而纯密集型检索方法在经过Holm校正后,无论在哪个基准测试中都未能实现显著的nDCG@10提升,并且在处理长查询或包含大量属性的查询类型时,其表现也低于BM25。此外,在WANDS数据集上,神经模型还能减少产品类别和嵌入内容的多样性。通过使用体积五倍的双编码器进行的鲁棒性测试也验证了上述结果,说明这些现象并非由编码器大小引起。研究还证明了“语义模型会增加无关信息的显示概率”这一观点是错误的:实际评估的神经模型反而降低了数据集特有的风险因素。因此,人工智能搜索在某些条件下是有益的,但其提升相关性的效果应结合多样性和领域迁移能力来综合评估。