EC検索の関連性向上のための多角的思考と潜在的推論蒸留

TL;DR（結論）

ECサイトの検索における検索語と商品の関連性判定を劇的に改善するため、大規模言語モデル（LLM）に「ユーザー意図」「構造的分析」「ビジネスルール」という3つの異なる視点から思考の連鎖（CoT）を行わせる「MPCoT」フレームワークを開発しました。 この複雑な思考プロセスを、軽量な学生モデル（BERT等）が推論時に「潜在的な推論ベクトル」として内部的に抽出・利用できるようにする「LRKD（潜在的推論知識蒸留）」を導入し、LLM級の高度な判断能力と、ミリ秒単位の低遅延な応答速度の両立に成功しました。 AliExpressでの大規模なオンラインA/Bテストの結果、収益指標であるRPMが1.42%向上し、クリック率（CTR）が0.48%、関連性満足度（RS）も0.4%改善するなど、実際のビジネス環境においてユーザー体験と商業的成果の両面で極めて高い有効性が証明されました。

なぜこの問題か

ECサイトの検索システムにおいて、ユーザーが入力した検索語に対して適切な商品を表示する「関連性モデリング」は、顧客の購買体験とプラットフォームの売上に直結する最重要課題の一つです。従来のBERTなどのエンコーダー型モデルは、一般的な検索の8割から9割を効率的に処理できますが、残りの1割以上に含まれる「ロングテール（稀な検索語）」や「曖昧な表現」の解釈に大きな課題を抱えていました。これらの難しいケースは、ユーザーの購買意図が非常に強い場面で発生しやすく、ここでの誤判定は検索結果の質を著しく低下させ、プラットフォームへの信頼を損なう直接的な原因となります。 近年、大規模言語モデル（LLM）と「思考の連鎖（CoT）」を用いることで、複雑な推論を伴う判定の精度は飛躍的に向上しました。しかし、EC特有の複雑さを単一の視点からの推論でカバーするのは困難です。例えば、ユーザーの潜在的なニーズ、商品の属性レベルでの厳密な一致、そしてプラットフォーム固有のビジネスルール（付属品の扱いなど）を同時に考慮しなければ、正確な判定は下せません。…

核心：何を提案したのか

本研究では、LLMに「広く深く考えさせ」、軽量モデルに「速く正確に実行させる」ための革新的なフレームワークを提案しました。第一の柱は「多角的思考（MPCoT: Multi-Perspective Chain-of-Thought）」です。これは、LLMに対して単一の画一的な推論を行わせるのではなく、「ユーザーの意図（機能的ニーズ）」「構造的分析（属性ごとの照合）」「ビジネスルール（付属品の扱い等の特定規則）」という3つの独立した視点から個別に推論を生成させる手法です。これにより、ECにおける複雑な関連性を網羅的に捉えることが可能になります。…

続きはログイン/プランで閲覧できます。