详细内容或原文请订阅后点击阅览
通过检索增强生成和多目标对齐统一查询自动完成中的排名和生成
查询自动完成 (QAC) 是现代搜索系统的一项重要功能，它通过在用户键入时建议完成来提高搜索效率。然而，现有的方法面临着根本性的挑战：传统的检索和排序管道的长尾覆盖率很差，需要大量的特征工程，而最近的生成方法则存在幻觉和安全风险。我们提出了一个统一的框架，通过检索增强生成（RAG）和多目标直接偏好优化（DPO）将 QAC 重新表述为端到端列表生成。我们的方法......
来源:Apple机器学习研究查询自动完成 (QAC) 是现代搜索系统的一项重要功能，它通过在用户键入时建议完成来提高搜索效率。然而，现有的方法面临着根本性的挑战：传统的检索和排序管道的长尾覆盖率很差，需要大量的特征工程，而最近的生成方法则存在幻觉和安全风险。我们提出了一个统一的框架，通过检索增强生成（RAG）和多目标直接偏好优化（DPO）将 QAC 重新表述为端到端列表生成。
我们的方法结合了三个关键创新：
在大型商业搜索平台上的评估显示出显着的改进：离线指标显示所有维度的收益，人工评估产生 +0.40 至 +0.69 的偏好分数，受控在线实验实现了击键次数减少 5.44% 和建议采用率增加 3.46%，验证了 RAG 和多目标对齐的统一生成为生产 QAC 提供了有效的解决方案。
这项工作代表了由大型语言模型、RAG 和多目标对齐支持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，可以使更广泛的搜索和推荐行业受益。