TMallGS：生成式电商搜索的统一特征与序列建模

复现保真度：核心机制复现。 真实训练 field-adaptive 交互和 progressive loss；天猫私有字段与生产规模未复刻。

论文信息

项目	内容
论文链接	arXiv 2607.13398
公司/机构	Taobao & Tmall Group of Alibaba
首次公开日期	2026-07-15（arXiv v1）
原文开源代码	否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter	tmallgs
本地复现代码	src/auto_research/reproductions/tmallgs/

原始论文总结

背景与主要改动

电商搜索同时包含 query、短期/长期行为、用户和商品等异构字段，直接拼 token 会放大字段噪声。TMallGS 为不同字段学习独立 Q/K/V，用 distribution-calibrated saliency 和 noise-adaptive gate 控制交互；内容特征通过 FiLM 注入，context bias 修正最终分数，并用中间层误差自适应分配 progressive supervision。

flowchart LR
    A["Query / UIH / UQH / 商品字段"] --> B["Field-wise QKV"]
    B --> C["Saliency calibration"]
    C --> D["Noise-adaptive gate"]
    E["内容特征"] --> F["FiLM"]
    D --> F
    F --> G["Context bias + 排序头"]
    G -. "逐层误差监督" .-> B

原论文关键图

原论文 Figure 1（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \tilde a_{ij}^{(f)} =g_f(x)\cdot \operatorname{softmax}_j \left(\frac{Q_f(x_i)K_f(x_j)^\top}{\sqrt d} +b_f\right), \]

\[ h'=\gamma(c)\odot h+\beta(c),\qquad \mathcal L=\sum_l\alpha_l(\epsilon_l)\mathcal L_l. \]

论文离线与线上效果

论文离线报告 PV-AUC +0.79%、IMP-GAUC +0.34%。天猫搜索 30 天 A/B（\(p<0.05\)）中 UCTCVR +1.38%、GMV +1.52%，线上延迟增加约 6 ms。

本地复现

本地把 MovieLens 类型和序列映射为异构字段，真实训练 field-wise QKV、噪声门控、显式内容 FiLM、context bias 和 error-aware progressive loss。

本地对照口径：基线为 DIN/RankMixer 风格 late-fusion Transformer，实验组为 TMallGS field-adaptive gated Transformer；seed 42 的 NDCG@10 从 0.00068 升至 0.00278，相对 +310.42%。

稳定指标见 metrics/movielens-100k-seed42.json。绝对命中数很少，结果主要证明各训练模块能组成完整可运行路径，不代表 0.05B 天猫生产模型的统计稳定性。

auto-research reproduce --paper tmallgs --dataset-dir data --seed 42