面向长短期兴趣并具备自适应去毒生成的个性化查询自动补全

查询自动补全（QAC）在现代搜索系统中扮演着至关重要的角色。然而，在实际应用中，仍有两个亟待解决的挑战。首先，需要为用户提供层次化的个性化表示。以往的方法通常将用户的搜索行为作为单一的整体表示，这在更细致的生成场景中显得不足。此外，查询前缀通常较短，可能包含拼写错误或敏感信息，与传统文本生成任务相比，这增加了生成有毒内容的可能性。此类有毒内容会降低用户体验并引发公关问题。因此，第二个关键挑战是对QAC系统进行去毒。针对这两个局限性，我们提出了一种新颖的模型（LaD），该模型能够从长期和短期兴趣中捕获个性化信息，并结合了自适应去毒机制。在LaD中，个性化信息在粗粒度和细粒度两个层级上被层次化地捕获。这种方法在尽可能保留个性化信息的同时，能够在时间约束内实现在线生成。为了更进一步，我们提出了一种基于拒绝偏好优化的在线训练方法。通过在训练和推理过程中引入特殊标记 [Reject]，该模型实现了自适应去毒。因此，呈现给用户的生成文本既无毒又与给定前缀相关。我们在工业规模的数据集上进行了全面实验，并执行了在线A/B测试，实现了近两年内我们产品中单次实验指标的最大提升。我们的模型已部署在快手搜索中，为数亿活跃用户提供主要流量支持。代码可在 https://github.com/JXZe/LaD 获取。