OneSearch-V2：潜在推論を強化した自己蒸留による生成検索フレームワーク

アブストラクト: 生成的検索（Generative Retrieval, GR）は、現代の検索システムにとって有望なパラダイムとして登場している。多段のカスケード型アーキテクチャと比べて、エンドツーエンドの共同最適化や高い計算効率といった利点がある。代表的な産業規模で実際に導入・運用されている生成的検索フレームワークであるOneSearchは、大きな商業的および運用上の利益をもたらしてきた。だが、その複雑なクエリの理解が不十分であること、潜在するユーザ意図の活用が非効率であること、そして狭い過去の嗜好に過剰適合してしまうことによって、さらなる性能向上が制限されてきた。これらの課題に対処するために、
\textbf{OneSearch-V2}、すなわち潜在推論を強化した自己蒸留型生成検索フレームワークを提案する。これは、3つの主要な革新を含む。（1）思考を補強した複雑なクエリ理解モジュール。これにより、深いクエリ理解を可能にし、直接推論による浅い意味マッチングの限界を克服する；（2）推論を内部化した自己蒸留の学習パイプライン。ログへの適合（log-fitting）以上の暗黙的なインコンテキスト学習によって、ユーザの潜在的でありながら正確なEC（電子商取引）の意図を掘り起こす；（3）行動嗜好アラインメント最適化システム。単一のコンバージョン指標に起因するリワードハッキングを緩和し、さらに直接のユーザフィードバックによりパーソナルな嗜好に対応する。広範なオフライン評価により、OneSearch-V2の強力なクエリ認識能力とユーザプロファイリング能力が示される。オンラインA/Bテストでも、そのビジネス上の有効性がさらに裏付けられ、アイテムCTRが+3.98\%、購入者コンバージョン率が+3.05\%、注文量が+2.11\%となった。手動評価においても、ページの良好率が+1.65\%、クエリ-アイテム関連度が+1.37\%と、検索体験の品質向上が確認できる。より重要なのは、OneSearch-V2が追加の推論コストや提供遅延（サービング・レイテンシ）を伴うことなく、情報バブルやロングテールのスパース性といった検索システムに典型的な問題を効果的に緩和する点である。