ASARL：QQ 搜索的自主社交感知相关性学习

在线社交平台的快速发展改变了沟通和信息检索，催生了社交搜索，其中查询标题通常以非正式的、社区特定的语言表达。虽然 大语言模型 提供了强大的通用语义理解，但它们在社交搜索中的有效性受到上下文差异、数据稀缺和行为驱动动态的限制。为了应对这些挑战，我们提出了自主社交感知相关性学习（ASARL），这是一个完全自动化的框架，它将多代理数据管理与分阶段的 模型训练 集成在一起。 ASARL 利用协作代理系统：ReasonAgent 生成基于社交属性的可解释相关性标签，CriticAgent 验证并确保逻辑一致性，GenAgent 通过合成查询标题对增强长尾数据。基于精选数据集，ASARL 采用三阶段训练：社交情境训练 (SCT) 来捕获社交语言模式，偏好引导优化 (PGO) 使模型预测与行为信号保持一致，社交 蒸馏 (SD) 将这些改进转化为紧凑模型以实现高效部署。在QQ搜索平台上进行的广泛的离线和在线实验表明，离线相关性指标和在线用户参与度指标均得到显着改进，并且注释效率也得到提高。这些结果验证了在实际搜索系统中将自主的、基于社会的数据治理与偏好一致的训练相结合的有效性。