MaxShapley：面向公平上下文归因的激励兼容生成式搜索
机器学习
2026-05-20 v2 人工智能
摘要
基于大型语言模型（LLM）的生成式搜索正在取代传统搜索，从根本上改变了信息提供者的补偿方式。为维持这一生态系统的可持续发展，我们需要一种公平的机制来根据生成答案中贡献对内容提供者进行归因和补偿。我们提出了 MaxShapley，这是一种在生成式搜索管道中进行公平信用归因的高效算法。MaxShapley 是著名 Shapley 价值的一种特殊情况；它利用可分解的最大求和效用函数，在文档数量的多项式时间内计算归因，而非指数级成本。我们在三个多跳问答数据集（HotPotQA、MuSiQUE、MS MARCO）上进行评估；MaxShapley 在保持相同归因准确性的同时，与精确 Shapley 计算相当，消耗的 token 数量仅为其的一部分——例如，在保持相同归因准确性的前提下，相较于先前的最先进方法，MaxShapley 最高可实现 9 倍的资源消耗降低。我们发布了开源代码和重新校准后的数据集。educational demo 可在 https://fair-search.com 访问。
引用
@article{arxiv.2512.05958,
title = {MaxShapley: Towards Incentive-compatible Generative Search with Fair Context Attribution},
author = {Sara Patel and Mingxun Zhou and Giulia Fanti},
journal= {arXiv preprint arXiv:2512.05958},
year = {2026}
}