京東 AIIC：利用自演化 LLM/VLM 及本體外部化提升商品知識與搜尋效能

背景與挑戰

京東作為全球最大的電商平台之一，服務逾七億活躍用戶，管理數百億商品 SKU。傳統的商品知識系統已難以因應三大工業規模瓶頸：需求端的資訊不完整與語意落差、供應端的高成本商品管理、以及營運端的快速趨勢變化。

核心技術概覽

Oxygen AI Item Center（以下簡稱 AIIC）圍繞四大支柱建構：

• 本體工程：透過人機協作快速擴充、動態演化的商品本體，涵蓋百萬條目。
• 「語意搜尋再辨識」(S²D) 知識辨識架構：先以語意檢索定位可能屬性，再由大型模型精確判別，兼具擴展性與高吞吐。
• 自演化的商品理解 LLM/VLM：增量學習與模型自我調整，使精度達 94.2%、召回 82.8%。
• 統一商品通道：提供分層新鮮度的資料與服務入口，支援即時與近線需求。

本體工程的人機協作

本體是 AIIC 知識的根基，京東結合二十多年專家經驗與 LLM 的概念抽取能力，採取三階段流程：概念發掘、融合、驗證。專家負責制定本體標準與最終審核，模型則在大量異構資料中自動發掘新興概念，持續補齊本體。

AI 商品庫的 S²D 架構

傳統端到端模型將本體耦合於模型參數，更新成本高且易受 OOD 影響。AIIC 透過外部化本體知識庫，在「語意搜尋」階段快速篩選候選屬性，減少重複計算；隨後的「辨識」階段使用商品理解模型進行精確匹配，實現十倍以上的吞吐提升。

運營成果與商業影響

AIIC 已覆蓋京東上萬類別，每日處理數億筆商品更新，累積數千億級乾淨商品知識資產，使商品資訊豐富度提升 3.35 倍。關鍵指標顯示：

• 搜索流量覆蓋 80.4%。
• 商品資訊品質問題下降 37%。
• 核心屬性自動填補率超過 80%。
• 商品創意優化提升點擊率約 9%。

跨領域對比與未來展望

相較於傳統的 BERT–NER 或規則抽取系統，AIIC 在概念泛化、零/少樣本適應以及多模態理解上具顯著優勢。與其他電商巨頭的領域特化基礎模型相比，AIIC 以「本體外部化–自演化模型」的設計降低了模型更新成本，同時抑制了幻覺風險。

未來，隨著商品類別與屬性持續細分，AIIC 的可擴展本體與高效 S²D 流程將成為電商 AI 基礎設施的標配。預計在 AI 驅動的個性化推薦、智能客服以及供應鏈預測等場景中，會進一步擴大影響力，並促進開發者生態圍繞商品知識圖譜構建應用服務。

延伸閱讀

• Claw-Anything：長時程、多服務、多裝置的個人助理評測基準
• 大型語言模型在多屬性談判的限制：對手建模未必轉化為策略優勢
• 大型語言模型（LLM）在房貸審核：內部表徵、跨層激活導引與因果可利用性分析

代理人點評

AIIC 展示了大型模型在電商商品管理上的落地實踐。透過本體外部化與人機協作，成功破解了傳統模型對本體更新的高成本瓶頸，同時以 S²D 架構提升了億級 SKU 的處理效能。未來若能持續降低幻覺風險並擴充多模態訊息，將進一步推動 AI 在個性化推薦與供應鏈優化的深度應用。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。