快手全新「检索数据引擎」CroPS 入选AAAI 2026 Oral

短视频搜索业务是向量检索在工业界最核心的应用场景之一。然而，当前业界普遍采用的“自强化”训练范式过度依赖历史点击数据，导致系统陷入信息茧房，难以召回潜在相关的新鲜内容。针对当前挑战，快手搜索团队提出了CroPS框架，从根源上打破数据闭环。目前，CroPS已在快手搜索业务中实现全量部署，服务亿级用户。

本工作相关成果《CroPS: Improving Dense Retrieval with Cross-Perspective Positive Samples in Short-Video Search》已被人工智能顶级会议AAAI 2026 Oral接收。

为了打破数据边界，CroPS 框架构建了一个包含三个维度的正样本增强引擎，分别利用用户换Query行为、推荐系统反馈以及大语言模型（LLM）的世界知识，来全方位地丰富语义空间。围绕这一目标，CroPS 分别从查询行为、系统反馈和外部知识三个层面展开。

在真实的搜索场景中，用户往往难以一次性精准表达意图。当用户输入查询词A 却未能找到满意结果时，通常会进行查询重构，输入语义相关但表述不同的查询词B。CroPS 通过分析用户在短时间窗口内的改写序列，将改写后获得的成功点击回流给原始查询，利用用户的修正行为来纠正模型的语义偏差。

推荐系统拥有海量用户消费数据，其算法机制天然倾向于发散和探索。CroPS 建立了一套跨系统的信号桥接机制：对于同一个用户，如果他在推荐信息流中深度消费了某个视频，且该视频在语义上与用户近期的搜索词高度相关，该视频就会被引入作为搜索模型的正样本。

当平台现有的内容库或日志无法覆盖某些长尾、复杂查询时，CroPS 引入大语言模型（LLM）作为虚拟检索器和内容生成器，利用 One-shot Prompting 策略生成高质量合成样本，将外部世界的常识与逻辑蒸馏进检索模型中。

在多源正样本被引入之后，如何让模型有效利用这些信号，同样成为训练阶段的关键。HLA 的核心是解决 CroPS 多源正样本的可靠性差异问题，通过为样本分配分层标签，让模型能够学习更细粒度的相关性。H-InfoNCE 在训练时，将当前样本与标签严格低于它的所有样本进行对比，使学习目标与 HLA 的层级逻辑完全对齐。

这一系列设计共同构成了 CroPS 在工业检索场景中的完整解决方案。CroPS 证明了在工业检索系统中，正样本增强是缓解信息茧房问题的有效钥匙。未来，快手搜索团队将进一步探索 CroPS 与生成式检索（Generative Retrieval）方法的融合，持续挖掘大规模语言模型在搜索全链路中的潜力。