Rich-Media Re-Ranker：面向富媒体搜索的用户满意度驱动的大语言模型重排序框架

重排序在现代信息检索系统中起关键作用，通过细化初始搜索结果的排序，以更好地满足用户信息需求。然而，现有方法在提升用户搜索满意度方面存在两个显著局限：一是对多维用户意图建模不足，二是忽视如视觉感知信号等丰富的侧边信息。为应对这些挑战，我们提出了 Rich-Media Re-Ranker 框架，旨在通过多维和细粒度建模来增强用户搜索满意度。我们的方法首先通过查询规划器分析会话中查询细化的序列，以捕捉真实的搜索意图，将查询分解为清晰且互补的子查询，以实现对用户潜在意图的更广覆盖。随后，超越主要文本内容，我们整合了来自基于视觉语言模型（VLM）评估器生成的视觉内容信号等更丰富的候选结果侧边信息。这些综合信号随后结合精心设计的重排序原则加以处理，该原则考虑多个维度，包括内容相关性与质量、信息获取、信息新颖性以及封面图的视觉呈现。随后，基于这些原则和整合信号，LLM 重排序器进行整体评估。为提升基于 VLM 评估器和 LLM 重排序器的场景适应性，我们进一步通过多任务强化学习提升了其能力。大量实验表明，我们的方法显著优于最先进的基线方法。值得注意的是，该提议框架已部署于大规模工业搜索系统中，显著提升了线上用户参与度和满意度指标。