升级 Facebook 群组搜索，释放社区知识的价值

• Meta 团队从根本上改造了 Facebook 群组搜索，帮助用户更可靠地发现、梳理和验证与自己最相关的社区内容。

• Meta 团队采用新的混合检索架构，并实现自动化模型评估，解决用户搜索社区内容时面临的主要障碍。

• 在这个新框架下，搜索互动和相关性有了切实改善，同时错误率没有上升。

世界各地的人每天都依赖 Facebook 群组寻找有用信息，但内容太多，用户的查找过程并不总是顺畅。在把兴趣相近的人联系起来的同时，Meta 团队也需要在大量对话中设计出一条路径，尽可能精准地呈现他们所寻找的内容。Meta 团队发表了一篇论文，介绍 如何通过重构 Facebook 群组范围搜索解决这些问题。通过从传统关键词匹配转向混合检索架构，并实现自动化模型评估，Meta 团队正在改变人们发现、阅读和验证社区内容的方式。

解决社区知识中的使用障碍

用户在社区内容中寻找答案时，主要面临发现、阅读和验证三个方面的障碍。

发现：表达方式不同导致匹配失败

过去，内容发现依赖基于关键词的词法系统。这些系统寻找精确词语，使用户的自然语言意图与现有内容之间出现鸿沟。例如，用户搜索“带糖霜的独立小蛋糕”，而社区使用的是“纸杯蛋糕”一词，传统关键词系统可能返回零条结果。具体用语不一致，使用户错过高度相关的建议。

Meta 团队需要这样的系统：搜索“意大利咖啡饮品”时，即使帖子没有明确出现“咖啡”一词，也能有效匹配关于“卡布奇诺”的帖子。

阅读：额外的整理成本

即便找到正确内容，用户仍要付出“整理成本”：往往需要滚动浏览并梳理大量评论，才能确定大家的共识。比如搜索“虎尾兰养护技巧”，为了得到明确答案，可能要读几十条评论，才能拼出合适的浇水计划。

验证：借助社区知识做决策

人们经常需要借助可信的社区经验，核实某个决策或潜在购买行为。例如，Facebook Marketplace 上的买家看到一辆价格较高的经典 Corvette，购买前希望获得真实评价和建议，但这些经验通常散落在群组讨论中。用户需要利用专业群组的集体智慧有效评估商品，然而手动挖掘这些验证信息并不容易。

解决方案：现代化混合检索架构

Meta 团队构建了混合检索架构，为 Facebook 搜索中的讨论模块提供支持。系统通过并行管线，把倒排索引的精确性与稠密向量表示的概念理解能力结合起来。为解决旧搜索的限制，Meta 团队重构了基础设施的三个重要部分。

下面的流程展示了Meta 团队如何更新技术栈，以处理自然语言意图：

并行检索策略

Meta 团队把查询处理拆成两条并行路径，更新召回阶段，确保同时捕捉精确词语和宽泛概念：

查询预处理：检索之前，用户查询先经过分词、规范化和改写。这对于向倒排索引和嵌入模型提供干净输入都很重要。

词法路径（Unicorn）：利用 Facebook 的 Unicorn 倒排索引 获取包含精确词语或近似匹配词语的帖子，保证专有名词或特定引用类查询的高精确性。

同时，查询被传递给搜索语义检索器 SSR。这是一个12层、2亿参数的模型，把用户自然语言输入编码为稠密向量。随后在预先计算的群组帖子 Faiss 向量索引上执行近似最近邻（ANN）搜索。这样，即使关键词不重叠，也能根据高维概念相似性召回内容。

采用多任务多标签（MTML）架构的 L2 排序

稀疏词法特征和稠密语义特征来自根本不同的范式，要合并两者的结果，需要更精细的排序策略。关键词系统与嵌入系统召回的候选项在排序阶段合并。模型同时接收词法特征，例如 TF-IDF、BM25 分数，以及语义特征，例如余弦相似度分数。

接下来，Meta 团队从单目标模型转向 MTML 超级模型架构。它在保持即插即用模块化能力的同时，联合优化点击、分享和评论等多个互动目标。通过对这些信号加权，模型让最终结果既具有理论相关性，也更有可能促成有意义的社区互动。

自动化离线评估

语义搜索带来新的验证难题：高维向量空间中的相似度分数并不总是直观。为了大规模验证质量，同时避免人工标注成为瓶颈，Meta 团队在构建验证测试（BVT）过程中集成了自动化评估框架。

Meta 团队使用具备多模态能力的 Llama 3 作为自动评判者，对查询与搜索结果进行评分。不同于“好/坏”二元标签，评估提示词专门捕捉细微差别。系统明确识别“有一定相关性”类别：查询与结果具有共同领域或主题，例如不同运动在一般体育上下文中仍然相关。这样可以衡量结果多样性和概念匹配的改进。

影响与未来工作

部署混合架构后，质量指标出现可衡量的提升，说明将词法精确性与神经理解能力结合，优于只使用关键词的方法。根据原文中 Meta 团队的离线评估结果，与基线相比，新的 L2 Model + EBR（Hybrid）系统在搜索互动方面表现更好，指标涉及每天在 Facebook 上进行搜索的用户数量。

这些结果说明，通过整合语义召回，Meta 团队能够呈现更多相关内容，同时保留用户期待的精确性。检索栈升级是重要里程碑，但只是释放社区知识价值的起点。未来的工作将进一步把高级模型融入搜索体验：

1. 在排序中使用大语言模型：计划直接在排序阶段应用 LLM，通过处理帖子内容，将相关性评分进一步推进到向量相似度之外。

2. 自适应检索：探索由 LLM 驱动的自适应检索策略，根据用户查询的复杂程度动态调整检索参数。

阅读论文

升级 Facebook 范围搜索：关键词与嵌入混合检索及大模型评估