LLM是目前学术界钻研的热点，同时工业界也在极速探求LLM在业务中的落地。本篇文章给大家引见来自WWW24的一篇文章，引见了淘宝电商将LLM用在了搜查场景中的query改写上，精心构建的畛域特定数据集对LLM启动finetue，定义三种不同的优化目的并经常使用Preference Rank Optimization损失学习候选之间的偏序相关，极大的处置了长尾query中的“few-recall”疑问。
论文题目 ：Large Language Model based Long-tail Query Rewriting in Taobao Search
下载地址：
背景引见
淘宝电商搜查引擎框架如下图所示。用户输入搜查词之后，平台先启动语义了解，对用户query启动改写，之后对原始词 + 改写后的词召回商品，再通过多层排序后对用户展现头部商品。
query改写的目的是，在坚持相关性的同时，对原始query启动语义裁减，可以召回更多相关商品。例如，有两个搜查词，"DIY blind box"和"Self_building blind box"。这里前者和后者语义相反，然而前者是干流搜查词，召回结果有多个。然后者属于长尾搜查词，难以召回多个结果。假设将后者改写为前者，语义坚持相反的状况下，召回更多的商品，则在后续的排序流程中更有概率介绍转化率高的商品，从而提高订单量 && GMV。
已有的query改写上班集中在两个方向：
判断模型 ：从候选词汇合中预估最优的词。这种方法依赖于精心结构的词典作为重写的候选汇合，否则query改写后语义有或者出现偏移。
生成模型 ：经常使用transformer系的模型，依据原始query间接生成改写词，有些方法会参增强化学习和对比学习的思绪。然而这种方法受限于模型的参数量，参数优化会优化模型的表白才干。目前LLM在query改写上有一些上班，但因为对没有经常使用query改写特定义务对大模型启动fine-tune，还存在必定的局限性。
成功方法
本文提出了BEQUE框架（a comprehensive framework that Bridges the sEmantic gap for long-tail QUEries），框架蕴含三个阶段，如下图所示：
第一阶段 Multi-instruction Supervised Fine Tuning： 经常使用多畛域数据集对LLM启动finetune，重要包括Query Rewriting> Query Rewriting>
辅佐数据集： 为增强LLM对长尾query的了解才干，经常使用quality classification，product title prediction，Chainof-thought，三个辅佐数据集对LLM启动finetune
第二阶段 offline feedback： 设计多个函数多角度评价改写query品质，包括relevance、increment、hitrate等3个评价方法。
：即使原始query和改写query 语义上具备相关性，然而召回的商品汇合未必相关。因此定义相关性目的来权衡改写前后召回商品的相关性。淘宝离线评价方法用来评价query和召回商品题目的相关性，因此定义改写query召回商品和原始query的相关性如下：
：query改写可以参与商品召回的数量，处置“few-recall”的疑问。因此定义增量目的来权衡query改写后能否参与了召回商品的数量：
: 定义命中率目的，假设搜查场景之外成交过的某件商品和原始query相关性大于必定阈值，那query改写后应尽量召回该商品：
第三阶段object alignment ：强迫模型学习改写query之间pairwise的偏序
经常使用PRO Loss来pair wise地学习改写query之间的顺序：
模型的最终Loss为监视微调的loss + PRO loss
试验结果
模型离线成果如下表所示。从上图可以看到，与多种基线相比，BEQUE与多种基线相比，在多个测试集上的rele目的略为逊色，在incr/hitrate目的上有极大幅度的优化。
在线运行方面，因为LLM难以满足在线serving的时效性需求，不可间接在线经常使用。因此对torso query，离线inference改写后的query，将改写前后的query以key-value graph的方式存储，确保在线及时照应，笼罩淘宝主搜27%的PV。原始query和改写query召回的商品取并集进入后续的排序过程。14天在线AB试验中，在GMV && 订单量 && UV上都取得了正向成果。
本文转载自，作者：