小红书精读：Retail Product Search: A Practical Approach at Target

混合检索上线，CTR涨0.97%🔍

各位算法同学们，纯关键词检索换成混合检索后，零结果查询直接砍了一半。Target 这篇把线上 A/B 的每一步都写清楚了，做电商检索或垂类搜索的话，能直接对照自己的链路找差距。

📄 Retail Product Search: A Practical Approach at Target

🔧 双通道并行召回：Solr 倒排索引和微调双塔向量模型同时跑，向量侧用 AlloyDB 上的 ScaNN 做 ANN，索引覆盖百万级商品向量，文本不一致的同义、缩写、拼写错误都能兜住。

🧩 标签完全来自行为日志：点击、加购、转化聚合成约 2000 万 query-商品对，按类目和 query 频次分层采样，避免头部 query 淹没长尾，还构造了两类难负样本做对比学习。

⚙️ 精度控制加融合策略：先用 query 里出现或预测出的属性过滤向量候选，再对比 RRF 和加权交错，线上测试最终选了加权交错，权重靠 A/B 调。

📊 4 周线上 A/B 对比纯关键词检索：CTR 提升 0.97%，订单转化提升 0.98%，人均需求提升 1.10%。

✅ 零结果搜索大约减半，系统已全量部署，每天服务数百万用户。

📈 离线指标也有提升，但论文强调真正做决策的是线上转化和参与度，不是通用相关性榜单。

我的判断：做电商搜索、内容检索或任何 query 意图跨度大的团队，可以重点看它的标签构造和精度控制，这两块比模型结构更影响落地效果。坑也很明显，加权交错的权重会随类目和流量变化漂移，得持续用 A/B 盯；向量通道不加过滤，低精度结果会直接进候选池。如果要对照，先看自己的零结果率、CTR、转化和 P99 延迟，再看离线召回指标。

原文：AlphaXiv