language: zh tags:

• 嵌入模型
• 变换器
• 搜索
• 电子商务
• 对话式搜索
• 语义搜索 license: mit pipeline_tag: 特征提取

VectorPath SearchMap：对话式电商搜索嵌入模型

模型描述

SearchMap是一款专为革新搜索体验而设计的嵌入模型，通过实现更自然的对话式搜索来提升交互直觉。我们以电商搜索为应用场景验证这一理念，基于Stella Embed 400M v5基础模型微调而成，擅长理解自然语言查询并匹配相关商品。

核心特性

• 针对对话式电商查询优化
• 处理复杂的自然语言搜索意图
• 支持多属性商品联合搜索
• 高效的1024维嵌入向量（可配置至8192维）
• 专为商品和酒店搜索场景定制

快速体验

欢迎通过我们的Colab交互演示试用模型！

技术细节

• 基础模型：Stella Embed 400M v5
• 嵌入维度：可配置（512/768/1024/2048/4096/6144/8192）
• 训练数据：覆盖32个品类的10万+电商商品
• 开源协议：MIT
• 框架支持：PyTorch/Sentence Transformers

使用指南

使用Sentence Transformers

# 安装依赖包
!pip install -U torch==2.5.1 transformers==4.44.2 sentence-transformers==2.7.0 xformers==0.0.28.post3

from sentence_transformers import SentenceTransformer

# 初始化模型
model = SentenceTransformer('vectopath/SearchMap_Preview', trust_remote_code=True)

# 编码查询语句
query = "我和狗狗都能吃的宠物零食"
query_embedding = model.encode(query)

# 编码商品描述
product_description = "有机花生酱宠物零食，人类可食用..."
product_embedding = model.encode(product_description)

结合FAISS实现向量搜索

import numpy as np
import faiss

# 创建FAISS索引
embedding_dimension = 1024  # 或自定义维度
index = faiss.IndexFlatL2(embedding_dimension)

# 添加商品向量
product_embeddings = model.encode(product_descriptions, show_progress_bar=True)
index.add(np.array(product_embeddings).astype('float32'))

# 执行搜索
query_embedding = model.encode([query])
distances, indices = index.search(
    np.array(query_embedding).astype('float32'), 
    k=10
)

典型查询示例

模型擅长理解以下自然语言查询：

• "适合长途飞行的降噪耳机"
• "夏日徒步用的轻量防水背包"
• "小户型适用的环保厨房用具"
• "适合整天站立工作的舒适鞋子"
• "我家4岁挑食宝宝爱吃的早餐麦片"

性能与局限

评估表现

模型指标详见MTEB排行榜

• 当前是参数量<10亿模型中表现最优异的，且因内存占用小易部署于普通GPU
• 在SemRel24STS任务中以81.12%准确率大幅领先第二名Gemini嵌入模型(73.14%，截至2025年3月30日)。该评测涵盖14种语言的语句语义相关性评估
• 在MTEB榜单的法律文书和新闻检索相似性任务中表现尤为突出

优势

• 卓越的对话式自然语言理解能力
• 电商和酒店搜索场景下的强劲表现
• 可解析复合属性查询条件
• 可调节的嵌入维度实现计算效率优化

当前局限

• 查询中的权重术语优先级处理有待加强
• 方言俚语理解能力有限
• 可能需要针对地区语言差异微调

训练方案

模型训练采用：

• 基于Sentence Transformers的监督学习
• 32个商品类别的10万+样本数据集
• AI生成的对话式搜索查询
• 对比学习使用的正负例商品样本

适用场景

本模型适用于：

• 电商商品搜索与推荐
• 酒店住宿检索
• 商品目录向量化
• 语义相似度匹配
• 查询意图理解与检测

引用规范

研究使用时请引用：

@misc{vectorpath2025searchmap,
  title={SearchMap：对话式电商搜索嵌入模型},
  author={VectorPath研究团队},
  year={2025},
  publisher={Hugging Face},
  journal={HuggingFace模型库},
}

社区支持

• Discord社区：加入讨论
• GitHub Issues：反馈问题与功能建议
• 交互演示：Colab在线体验

许可协议

本模型采用MIT开源协议，详见LICENSE文件。