Onton推出Ontology 1 神经符号搜索模型精准度提升2.7倍 超越Google Shopping

背景

Onton 是一家专注于搜索与发现的技术公司，近期推出了其首款神经符号搜索模型 Ontology 1。该模型旨在解决传统电商检索在长、需求复杂的查询场景下的准确率瓶颈，尤其是对话式和多模态检索需求日益增长的电商环境。

关键指标

• 精度表现：在 Subtext‑Decor‑90 基准上，Ontology 1 的平均 P@10 为 0.630，而 Google Shopping 为 0.543，Amazon 为 0.469。
• 相对提升：相较于 Google Shopping，精度提升约 2.7 倍（排除空位后提升至 0.665）。
• 评审体系：三位独立 LLM 评审（Claude Opus 4.8、Gemini 3.1 Pro、GPT‑5.5）对结果进行打分，Krippendorff’s α 为 0.465，虽评分噪声较大但排序一致。
• 覆盖率：仅索引约 1% 的商品目录即可实现上述表现，说明模型对数据稀疏度的容忍度更高。

技术创新

1. 神经符号架构：模型内部构建可解释的知识图谱，将模糊属性（如“宠物友好”）拆解为可检验的属性（纤维、编织方式等），并结合来源可信度进行加权。
2. 自学习闭环：每一次查询都会更新图谱中的推理路径，实现查询间的知识迁移，例如“宠物友好椅子”会复用“宠物友好”概念的推理链。
3. 高效图数据库 Ograph：单核性能超 SuiteSparse:GraphBLAS，GPU 版本比 CPU 快 43 倍，后期调优潜在达 1000 倍。

业务意义

• 精准过滤：能够在缺失或误标的商品标签上进行推理，提升用户对特定需求（如材质、耐用性）的检索命中率。
• 多模态支撑：支持文本、图片混合查询，尽管本轮评测排除了图像查询，但后续已在单独的 10 条多模态对比中取得优势。
• 适配场景：面向中大型零售商、市场平台以及基于代理的电商系统，尤其在目录规模大且噪声高的场景下表现突出。

可用性与局限

• 部署方式：当前仅以 SaaS 形式在 Onton.com 供终端用户使用，合作伙伴可通过案例申请接入，暂无公开 API 或模型权重下载。
• 垂直局限：目前仅覆盖家居与家具类目，其他品类需进一步验证模型的泛化能力。
• 失败案例：在功能‑规格类查询（如“凌晨不吵人的台灯”）上仍依赖传统分类元数据，表现逊于 Amazon 的类别标签。

业界反响

Onton 在发布会后收到多家大型零售平台的合作意向，业内评论认为神经符号方法为检索系统提供了可解释性与可扩展性的平衡，或将成为下一代电商搜索的技术路线之一。

“Ontology 1 展示了在极小索引覆盖率下仍能保持高精度的可能性，这对数据成本高企的电商企业具有重要意义。” — 业内分析师

后续关注：Onton 计划在今年 Q4 扩展至时尚与美妆类目，并开放更多合作渠道以验证模型在更广泛商品域的适用性。