以检索增强语言模型预测搜索内容的动态过期时间

在商业网络搜索中，由于信息的生命周期差异很大，使内容新鲜度与用户意图保持一致仍然具有挑战性。传统的工业方法依赖于静态时间窗口过滤，从而产生“一刀切”的排名，其中内容可能按时间顺序是最新的，但在语义上已过期。为了解决这一限制，我们提出了一种新颖的基于 大语言模型 (LLM) 的查询感知动态内容过期预测框架，部署在百度搜索中，将及时性重新表述为动态有效性推理任务。我们的框架从文档中提取细粒度的时间上下文，并利用 LLM 来推断特定于查询的“有效性范围”——根据用户意图定义信息何时过时的语义边界。我们的方法与强大的幻觉缓解策略相结合以确保可靠性，并通过对实时生产流量的离线和在线 A/B 测试进行了评估。结果表明，搜索新鲜度和用户体验指标显着提高，验证了 LLM 驱动推理在工业规模解决语义过期问题方面的有效性。