小红书精读：Query Brand Entity Linking in E-Commerce Search

电商搜品牌，字符串匹配不够用了🔍

各位算法同学们，电商搜索里 query 平均只有三到四个词，品牌却有几十万个，靠字符串匹配认品牌，碰上缩写、跨语言写法、父子品牌就开始翻车。亚马逊这篇把它当成品牌实体链接来做，关键是两套方案都上了线，不是纯离线刷分。

📄 Query Brand Entity Linking in E-Commerce Search

🔧 两阶段级联：先用 MetaTS-NER 做序列标注抽出品牌 mention，再拿候选去品牌知识库匹配消歧，中间用 query 预测出的 product type 做过滤，在几十万品牌空间里把候选收窄。

🧩 端到端极端多分类：干脆跳过 mention 检测，用 PECOS 直接把 query 映射到品牌 ID，把链接写成百万级标签的分类问题，靠层级聚类和稀疏结构把推理压下来。

⚙️ 融合：两路互补，级联保精度，端到端补召回，最后作为一个 fused 方案部署。

📊 离线在 11 种语言上做了评测，多语言泛化是重点考察项，不是只测英语。

📈 线上做了受控 A/B：brand recall 明显提升，precision 维持在较高水平，customer engagement 有可测增益。具体涨幅论文没披露，只有定性表述，这点得注意。

✅ PECOS 在 1 亿类别空间下单 query 推理低于 5ms，这是它能上线的关键前提。

想跟的话：做电商 query 理解、属性抽取的可以精读，重点看它怎么用 product type 约束消歧。要盯的指标是 recall 涨了多少、precision 有没有掉，以及新增长尾品牌能不能被覆盖。坑在于两套方案都吃内部 NER 模型和品牌知识库，这部分论文里没有，复现门槛主要卡在数据和标注，不在模型结构。

原文：AlphaXiv