通过检索增强生成和多目标对齐统一查询自动补全中的排名与生成
💡
原文英文，约300词，阅读约需1分钟。
📝
内容提要
查询自动补全（QAC）是现代搜索系统的重要功能，但现有方法存在挑战。我们提出了一种统一框架，将QAC重构为端到端列表生成，结合检索增强生成（RAG）和多目标直接偏好优化（DPO），通过创新的多目标优化和混合服务架构，显著提升了搜索效率，并验证了其在生产中的有效性。
🎯
关键要点
- 查询自动补全（QAC）是现代搜索系统的重要功能，能够通过建议补全来提高搜索效率。
- 现有方法面临挑战，包括传统检索和排名管道的长尾覆盖不足和大量特征工程需求，以及生成方法的幻觉和安全风险。
- 我们提出了一种统一框架，将QAC重构为端到端列表生成，结合检索增强生成（RAG）和多目标直接偏好优化（DPO）。
- 该方法结合了三项关键创新：将QAC重构为端到端列表生成与多目标优化；综合方法论结合RAG、多目标DPO、学习和基于规则的验证器，以及高质量合成数据的迭代批评-修订；混合服务架构在严格延迟约束下实现高效生产部署。
- 在大型商业搜索平台上的评估显示显著改进：离线指标在各个维度上都有提升，人类评估得分提高0.40到0.69，受控在线实验中击键数减少5.44%，建议采纳率提高3.46%。
- 这项工作代表了由大型语言模型、RAG和多目标对齐驱动的端到端生成的范式转变，建立了一个经过生产验证的框架，能够惠及更广泛的搜索和推荐行业。
➡️
