Requirement--Evidence Alignment for Compositional E-Commerce Queries
需求-证据对齐的电商组合查询重排序框架
🧭 需求感知的重排序优化 ★ 深度解读
Beihang University · Meituan
将查询需求与商品证据显式对齐，通过需求感知分组策略优化，大幅减少组合查询中的近线失误
📌 工作参考价值（4 点）
- 查询结构化：可将用户查询拆解为类型化的需求原子（类型、操作符、值、强度、证据要求），作为排序模型的显式输入特征
- 证据对齐可作为排序信号：用确定性验证器对比需求与商品属性，给出满足/违反/未支持的三态标记，并将其压缩为紧凑向量，输入重排模型，提供可解释的排序依据
- 优化目标设计：在列表效用中集成需求满足度、证据覆盖率、违规惩罚，利用 R‑GRPO 直接针对组合查询中的约束满足进行策略优化，可迁移到电商推荐排序的强化学习框架
- 软硬需求区分：区分硬约束与软偏好，仅对违反硬需求进行惩罚，而对缺失证据的商品不直接降级，这种设计避免误杀，适合处理商品信息不全的场景