双阶段优化让查询建议点击率、质量和意图覆盖全面提升！
Generative Query Suggestion via Intent Coverage and Query-Level Credit Assignment
📖 AI 总结
本文提出一种面向生成式查询建议的意图驱动框架，旨在解决推荐列表中单条查询有用性与整体意图覆盖之间的平衡问题。该框架采用双阶段优化：第一阶段通过意图感知的多样性建模，构建与意图对齐的监督微调数据，并引入意图感知多样性奖励来优化意图覆盖；第二阶段设计查询级信用分配机制，将单条查询的质量信号精确路由至对应查询词元，同时在整个推荐列表层面共享多样性信号。研究在大规模生产数据集上进行了离线评估与在线A/B测试，结果显示该方法在点击率、查询质量和意图覆盖度等指标上均有提升，表明意图覆盖与细粒度信用分配的结合能有效改善生成式查询建议的实际效果。
🔑 关键词速览
| 生成式查询建议 | 利用生成模型预测用户意图并推荐后续查询的任务。 |
| 意图覆盖 | 生成的查询列表覆盖不同用户意图的程度。 |
| 查询级信用分配 | 将单个查询的质量信号精确分配到对应查询词元的技术。 |
| 监督微调（SFT） | 在标注数据上对预训练模型进行有监督的微调。 |
| 意图感知多样性奖励 | 用于优化查询列表意图覆盖的奖励函数。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅