QP-OneModel：面向小红书搜索的多任务查询理解统一生成式大语言模型
信息检索
2026-02-11 v1 计算与语言
摘要
查询处理（Query Processing，QP）在大型社交网络服务（SNS）搜索引擎中搭建用户意图与内容供给之间的桥梁。传统QP系统依赖于离散判别模型（如BERT）的流水线结构，受限于语义理解能力和维护成本。虽然大语言模型（LLM）提供了潜在解决方案，但现有方法往往以孤立方式优化子任务，忽视内在语义协同效应，且需独立迭代。此外，标准生成式方法缺乏SNS场景的 grounding，难以弥合开放领域语料与非正式SNS语言模式之间的鸿沟，同时难以遵循严格的业务定义。我们提出QP-OneModel，面向SNS领域的多任务查询理解统一生成式大语言模型。将异构子任务重构为统一的序列生成范式，采用渐进式三阶段对齐策略，最终实现多奖励强化学习。QP-OneModel生成意图描述作为一种新型高保真语义信号，有效增强查询改写和排序等下游任务。离线评估显示，QP-OneModel在判别性基线上整体提升7.35%，在命名实体识别（+9.01%）和词权重（+9.31%）方面实现显著F1提升。模型在未见任务上准确率超过32B规模模型高出7.60%。在小红书全量部署后，线上A/B测试确认其工业价值，优化检索相关性（DCG）提升0.21%，提升用户留存率0.044%。
引用
@article{arxiv.2602.09901,
title = {QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search},
author = {Jianzhao Huang and Xiaorui Huang and Fei Zhao and Yunpeng Liu and Hui Zhang and Fangcheng Shi and Congfeng Li and Zechen Sun and Yi Wu and Yao Hu and Yunhan Bai and Shaosheng Cao},
journal= {arXiv preprint arXiv:2602.09901},
year = {2026}
}