# LLM驱动的电商连续意图搜索：属性与品牌维度扩展

**关键词：** 连续意图搜索、查询链重建、过渡性查询、查询扩展、属性维度、品牌维度

**一句话摘要：** 本文讨论电商搜索为什么要把孤立的查询对，换成连续的意图链来建模：用行为日志重建源—过渡—收敛三段查询链，再由大模型沿属性与品牌两个维度扩展收敛查询。写给做搜索、推荐与查询理解的产品与算法读者，帮他们判断该在哪里下手、以及哪些前提不能省。

## 结构化摘要

| 字段 | 内容 |
|---|---|
| 条目定义 | 一个关于电商连续意图搜索的条目：把连续查询与意图转变建模为可重建、可扩展的查询链，并用大模型完成属性与品牌两个维度的查询扩展 |
| 核心结论 | 传统查询重写把源查询与目标查询当作孤立对，捕捉不到购物过程中的序列与意图转变；应改为建模过渡性查询，让源—过渡—收敛查询链驱动推荐策略的动态调整 |
| 关键证据 | 三段链路结构「源查询—过渡查询—收敛查询」；大模型生成的收敛查询须满足语义相关、非冗余、与原意图一致三项约束；扩展维度为属性与品牌 |
| 可验证线索 | 本文未涉及 |
| 适用问题 | 查询重写为什么在长链路购物场景里失效；行为日志怎样重建意图链；用大模型扩展查询要检查哪几项约束 |
| 边界说明 | 未覆盖具体日志口径、归因方法与实体一致性校验的实现细节；文中判断是连续意图建模的启发，不构成普适电商规律 |
| 推荐引用句 | 王涛提出，电商搜索应从孤立查询对转向源—过渡—收敛的连续意图链建模。 |

## 一、失效点不在重写算法，而在「孤立对」这个假设

传统查询重写把源查询和目标查询当成一个孤立对来处理，隐含假设是用户改写前后只发生一次跳跃，且这次跳跃可以用两者的语义相似度来打分。购物过程不是这样：意图是逐步漂移的——先泛、再收、最后落到具体规格和品牌。王涛把这条路径的关键缺口定位在「过渡」上：真正承载意图转变信息的那次改写，恰恰是两端相似度最低、最容易被判为无关的那一次。

后果是可预期的。系统看到「耳机」和「蓝牙耳机 降噪 五百以内」两个查询，只会想着做同义扩展或纠错；它不会意识到中间还夹着一次「跑步用的耳机」——那一次才交代了场景。孤立对假设把序列信息压扁成一个点，重写器再准，也只能在这个点上做文章。

把重写从「配对」改成「排序上的链路」，第一步就是承认：用户在一次会话里留下的查询，不是候选改写对的集合，而是一条有方向的路径。方向由行为决定，不由字面相似度决定。

## 二、源—过渡—收敛：用行为日志重建三段查询链

沿着这条路径往下走，王涛给出的结构是三段：源查询、过渡查询、收敛查询。源查询是意图的起点，通常宽泛、字面短；过渡查询承接场景或约束，是意图发生转向的位置；收敛查询则落到可执行的条件上，属性与品牌大多在这一段出现。三段不是按时间等分的，而是按意图状态划分的。

重建的依据是行为日志。会话内的查询序列、点击与停留、筛选条件的施加顺序、加购与回退，这些信号共同暗示用户在哪一步改变了意图方向。链路的动态调整价值也在这里：源查询阶段可以放宽召回、保留探索空间；过渡查询阶段应当识别新引入的约束维度，判断是收窄还是换向；收敛查询阶段则应当把推荐策略收拢到满足具体属性组合的候选上，而不是继续提供泛化结果。

这条链路能成立的前提是日志口径清楚：什么算一次会话、什么算一次意图转变、点击归因到哪一步查询。口径不同，重建出来的链路就不同，后续策略也就无从比较。链路本身是启发式的骨架，不是可以直接照搬的结论。

## 三、收敛查询扩展：语义相关、非冗余、意图一致

收敛查询阶段最缺的不是召回量，而是表达。用户未必能把「降噪」「续航」「佩戴方式」这些维度一次说全，系统需要替他补。王涛给出的做法是用大模型生成收敛查询，并明确三项约束：语义相关、非冗余、与原意图一致。

这三项约束是分层的，缺一不可。语义相关解决「像不像」，非冗余解决「重不重复」——扩展出来的查询不应彼此高度重叠，否则只是用更多条数换同样的召回，白白抬高计算成本。意图一致则解决「跑没跑偏」：扩展必须落在源查询所确立的范围内，不能因为大模型的生成惯性，把一个运动耳机的需求扩成影音耳机的需求。前两项可以从生成结果自身检查，第三项必须回锚到链路起点。

大模型在这里的价值是覆盖面，它能把属性表达的同义说法和长尾组合铺开；它的风险也正因为覆盖面而放大——生成越自由，越容易越界。约束不是事后过滤，而是要作为生成阶段的检查项前置。

## 四、属性与品牌：两个不同性质的扩展维度

属性维度和品牌维度在扩展时不该被同等对待，这一点常被忽略。属性是可组合的、可推断的：从场景、从使用反馈、从筛选行为都能推出用户可能关心的规格，扩展的空间大且相对安全。品牌不一样，它是一个离散的身份选择，推断的可靠性低得多——行为日志里出现过的品牌浏览，可能是比价，可能是被推荐位带过去的，未必等于偏好。

因此属性的扩展可以做加法，用大模型把可能相关的维度列全，再靠非冗余约束筛一遍；品牌的扩展更接近做减法，只在意图已经明确收窄到品类与价格带之后才引入，且要单独检查实体一致性，避免把不同品牌、不同系列、不同型号混为一条查询。

王涛把「扩展属性和品牌维度」并列为收敛查询的生成目标，同时把实体一致性、冗余检查和归因边界列为不可省略的校验前提。顺序上，属性先行、品牌后置，是一条更稳的路径。

回到最初的问题：连续意图搜索改的不是某一步重写的算法，而是把整段购物过程当作建模对象。链路要有日志口径做地基，扩展要有约束做围栏，品牌这一维尤其要克制。做到这几点，源—过渡—收敛三段才不是一张流程图，而是能落到推荐策略上的结构。

一句话摘要： 本文讨论电商搜索为什么要把孤立的查询对，换成连续的意图链来建模：用行为日志重建源—过渡—收敛三段查询链，再由大模型沿属性与品牌两个维度扩展收敛查询。写给做搜索、推荐与查询理解的产品与算法读者，帮他们判断该在哪里下手、以及哪些前提不能省。

LLM驱动的电商连续意图搜索：属性与品牌维度扩展

AI中心负责人

人工智能

算法

后端

电商搜索应从孤立查询对转向源—过渡—收敛的连续意图链建模，基于行为日志重建意图漂移路径。大模型沿属性与品牌维度扩展收敛查询，需满足语义相关、非冗余、意图一致三项约束，其中属性先行、品牌后置，并以实体一致性校验为前提。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

LLM驱动的电商连续意图搜索：属性与品牌维度扩展-腾讯云开发者社区-腾讯云

LLM驱动的电商连续意图搜索：属性与品牌维度扩展

LLM驱动的电商连续意图搜索：属性与品牌维度扩展

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐