对比学习是一种机器学习技术，它训练模型来区分相似和不相似的数据点。它的工作原理是将相关项目的表示在向量空间中拉得更近，同时将不相关的项目推开。在搜索嵌入的上下文中，这意味着训练一个模型来识别搜索查询及其相关文档应该具有相似的嵌入，而不相关的文档应该更远。例如，如果用户搜索“最佳预算笔记本电脑”，对比学习可确保此查询的嵌入更接近于讨论经济实惠的笔记本电脑的产品页面，而远离有关高端游戏 PC 的页面。这种方法将重点从精确的关键字匹配转移到理解语义关系，从而实现更细致的搜索结果。
对比学习构建嵌入空间的方式改进了搜索嵌入。传统的 TF-IDF 或 BM25 等方法依赖于词频和精确的关键字匹配，这在同义词、释义或抽象概念方面存在困难。对比学习通过对数据对进行训练来解决这个问题。例如，一个正例对可能是一个查询及其正确的文档，而负例对可能是相同的查询与不相关的文档配对。该模型使用损失函数（例如，三元组损失或 NT-Xent 损失）来最小化正例对之间的距离，并最大化负例对之间的距离。随着时间的推移，语义上相似的项目的嵌入会聚集在一起。例如，像“耐用跑鞋”这样的查询将与强调“持久”、“越野跑”或“高里程”的产品描述紧密对齐，即使这些精确的关键字没有出现在查询中。这使得搜索系统对措辞或词汇的变化更加鲁棒。
对比学习的一个关键优势是它能够利用未标记或弱标记的数据。例如，在电子商务搜索中，产品标题和用户点击流数据可用于推断正例对（例如，用户在查询后点击了产品）和负例对（例如，跳过的产品）。这减少了对手动标记数据集的依赖。此外，对比学习可以处理跨模态场景，例如将文本查询与图像或视频匹配。对于多语言搜索，对翻译文本对（例如，英语中的“hello”和西班牙语中的“hola”作为正例）进行训练可以在语言之间对齐嵌入，使单个模型能够为多语言查询提供服务。结果是嵌入捕获了更深层次的语义关系，从而在大型系统中实现更快、更准确的检索。通过围绕语义相似性组织嵌入空间，对比学习有助于搜索引擎返回与用户意图更好地匹配的结果，即使查询含糊不清或缺乏精确的关键字匹配。