长尾短视频搜索的无偏多模态重排序
信息检索
2026-03-31 v2
摘要
Kuaishou 每天服务数亿搜索，短视频搜索质量至关重要。然而，它在长尾查询上受到严重的马太效应影响：稀疏的用户行为数据导致模型放大低质量内容，如点击 bait 和浅层内容。最近的大语言模型 (LLM) 的发展提供了新的范式，由于其内在的世界知识，提供了一种不依赖稀疏用户交互的强大内容质量评估机制。为此，我们提出了一个 LLM 驱动的多模态重排序框架，该框架估计用户体验而无需真实用户行为。该方法涉及两个阶段的训练：第一个阶段使用多模态证据构建高质量注释以进行监督式微调；第二个阶段融入两两偏好优化，帮助模型学习候选者之间的部分排序。在推理时，所得体验得分用于提升重排序中的高质量但曝光不足的视频，并进一步通过强化学习指导页面级优化。实验表明，所提方法在离线指标（包括 AUC、NDCG@K 和人类偏好判断）上 consistently 超过强基准。线上 A/B 测试覆盖 15% 的流量，进一步证明了在长尾视频搜索场景中提升用户体验和消费指标的实际价值。
引用
@article{arxiv.2603.24975,
title = {Unbiased Multimodal Reranking for Long-Tail Short-Video Search},
author = {Wenyi Xu and Feiran Zhu and Songyang Li and Renzhe Zhou and Chao Zhang and Chenglei Dai and Yuren Mao and Yunjun Gao and Yi Zhang},
journal= {arXiv preprint arXiv:2603.24975},
year = {2026}
}