EvoRank：大语言模型引导的多目标学习排序流程的演变

我们推出了 EvoRank，一个开放的自主排名工程师：一个 LLM 引导的进化循环，可以发现用于多目标电子商务搜索的完整的学习排名管道（特征、模型、损失、集合）。在 Expedia ICDM 2013 数据集上，以相关性、转化率和收入作为竞争目标，三个独立运行均在可解释管道上的 50 次迭代（约 10 美元）内收敛，在 60k 保留查询上击败了经 Optuna 调整的 LambdaMART，这一优势在整个数据规模上持续存在，并在原始竞争中名列前 6%。第一个活动仅发展训练目标，构建了中心设计规则：它似乎在其选择范围（用于挑选获胜者的小数据集）上起作用，而转移审计，根据保留的数据对获胜者重新评分，显示收益几乎完全是健身噪音（其自身评分的随机性），种子领域知识和更丰富的诊断反馈都没有改变转移的内容。决定性的量是可以提前测量的：相对于适应度噪声的搜索空间余量。我们将其打包为一个净空门，在任何 LLM 支出之前预测循环是否会得到回报，并且我们发布系统、审计工具和带有护栏的故障模式目录，以便团队可以将该过程应用到他们自己的排名堆栈中。