从物品唯一到查询-物品：Quark 中的 QGS 条件生成搜索

生成式序列模型在推荐领域取得了强劲成绩，但应用于搜索排序更具挑战性。搜索行为本质上是查询驱动的。每次查询切换都会在用户交互历史中引入尖锐话题变化。现有的生成方法将查询和物品展平为单个 token 序列，不区分查询边界。这会导致模型将不同查询意图混合到一个预测目标中，产生噪声监督。我们提出查询条件生成搜索（QGS）。QGS 将每次交互编码为 (查询, 物品) 对 token。它采用查询条件化的下一个物品目标进行训练。预测目标从噪声边际 P(item_{t+1}|context_{<=t}) 变为干净的条件 P(item_{t+1}|context_{<=t}, query_{t+1})。这直接消除查询切换导致的语义不连续性。将长交互历史使用标准注意力编码的复杂度为 O(L^2)，在严格的在线延迟预算下是不可行的。我们引入线性 HSTU 编码器。它用因果线性递归取代完整注意力。单层复杂度从 O(L^2) 降至 O(L)，而排序质量几乎不变。传统搜索排序依赖人工特征，如文本匹配得分、统计信号和行为特征。我们提出 HFG-Attention 将其在生成框架中保留下来。它将异构特征组织为语义组并通过专用注意力块进行融合。这桥接稀疏人工信号与稠密序列表示。QGS 已部署于 Quark 搜索的排序模块中，该模块是中国大型商业搜索引擎之一。线上 A/B 测试显示相对于生产深度学习基线，统计显著提升：CTR 提升 0.62%，点击-搜索比提升 0.38%，PV 时长提升 3.55%。