在電子商務搜索中，細節決定成敗。搜索“iPhone 15 Pro Max 256GB”時，密集嵌入系統可能返回128GB版本，因為語義相似性高，但客户明確指定了256GB。這種差異揭示了傳統嵌入方法的根本缺陷：它們將文本壓縮成固定大小的向量，模糊了關鍵屬性。而稀疏嵌入通過保留每個詞的精確權重，解決了這一問題。
本文是五部分系列文章的第一部分，旨在構建一個完整的微調稀疏嵌入系統，最終在Amazon ESCI數據集上實現比BM25高29%的檢索性能。我們將從數據加載、GPU訓練、評估到困難負樣本挖掘，逐步實現生產級系統。
密集嵌入在電子商務中的問題
密集嵌入（如OpenAI、Cohere或微調句子變換器）將文本壓縮為384至1536維的稠密向量，擅長捕獲語義相似性。然而，這種優勢在電子商務中成為弱點：精確匹配被模糊化，SKU編號、型號名稱、特定規格等關鍵區分項被平均化到相同向量空間；近似最近鄰索引導致召回率與速度的權衡；結果不可解釋，難以回答“為什麼產品A排在B之前”。
稀疏嵌入的解決方案
稀疏嵌入將文本投影到大型詞彙空間（通常30000+維度），但只有100-300個非零值。每個維度對應一個實際詞彙，權重可解釋。與BM25類似，稀疏嵌入使用倒排索引進行精確檢索，無需近似，同時保留精確匹配能力。
SPLADE模型
SPLADE（稀疏詞彙擴展）是核心架構。它通過Transformer和掩碼語言模型頭處理文本，然後應用最大池化和對數飽和度（log(1+ReLU(x))）生成稀疏權重。例如，輸入“noise canceling headphones”會輸出包含“headphones”(2.3)、“noise”(1.9)、“canceling”(1.7)、“audio”(1.2)等權重的稀疏向量。對數飽和度防止單個詞主導得分。
模型同時學習三件事：權重重要詞、擴展查詢相關詞、抑制噪聲。查詢“summer dress”除了保留原詞，還自動添加“sundress”、“floral”、“cotton”等擴展詞，匹配BM25無法找到的產品。
Qdrant對稀疏向量的支持
Qdrant數據庫將稀疏向量視為一等公民，支持加權稀疏向量、混合搜索（通過RRF融合稀疏和密集結果）和倒排索引。與ANN不同，稀疏檢索精確且不犧牲召回率。
技術棧
訓練流水線結合Modal（按需A100 GPU）、Sentence Transformers v5（包含SparseEncoder架構和SpladeLoss）和Qdrant（原生稀疏向量支持）。整套代碼開源，並提供CLI工具一鍵微調。
系列展望
後續文章將詳細介紹訓練、評估、困難負樣本挖掘、領域專業化與泛化，以及生產部署。最終模型在Amazon ESCI上nDCG@10達到0.388，遠超BM25的0.301。