🤖 machine learning

A Unified Structured Query Understanding Framework for Industrial Semantic Search

تقدم هذه الورقة إطار عمل موحداً للنماذج اللغوية الصغيرة للبحث الدلالي الصناعي، والذي يدمج مهام فهم الاستعلام المجزأة في نظام توليد واحد مقيد بالمخطط، مدعوماً بـ "مُضيء الاستعلام" (Query Illuminator) لوسم البيانات والتقييم، مما نجح في تحسين تفاعل المستخدم وتقليل التكاليف في أنظمة بحث الوظائف والأشخاص في LinkedIn مع الالتزام بقيود زمن الاستجابة الصارمة.

المؤلفون الأصليون: Ping Liu, Qianqi Shen, Jianqiang Shen, Chunnan Yao, Kevin Kao, Rajat Arora, Dan Xu, Baofen Zheng, Yunxiang Ren, Benjamin Le, Ali Hooshmand, Igor Lapchuk, Juan Bottaro, Raghavan Muthuregunathan, Caleb

نُشر 2026-05-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ping Liu, Qianqi Shen, Jianqiang Shen, Chunnan Yao, Kevin Kao, Rajat Arora, Dan Xu, Baofen Zheng, Yunxiang Ren, Benjamin Le, Ali Hooshmand, Igor Lapchuk, Juan Bottaro, Raghavan Muthuregunathan, Caleb Johnson, Liangjie Hong, Jingwei Wu, Wenjing Zhang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تدير مكتبة ضخمة ومزدحمة (نظام البحث عن الوظائف في LinkedIn) حيث يدخل ملايين الأشخاص يومياً لطلب كتب (وظائف).

في الطريقة القديمة، كان هناك فريق متخصص مجزأ يقف في طابور:
١. شخص يحاول تخمين ما تريده (النية - Intent).
٢. شخص ثانٍ يحاول إيجاد المؤلف أو النوع المحدد (الوسم - Tagging).
٣. شخص ثالث يحاول إعادة صياغة جملتك الفوضوية إلى طلب واضح (إعادة الصياغة - Rewriting).
٤. شخص رابع يتحقق مما إذا كنت تطلب شيئاً خطيراً (الأمان - Safety).

المشكلة: كان خط التجميع هذا بطيئاً، ومكلفاً في الصيانة، وعرضة للأخطاء. إذا أخطأ الشخص الأول في فهمك، سيصاب الثاني بالارتباك، وسيعيد الثالث صياغة الطلب بشكل غير صحيح. كان الأمر يشبه لعبة "الهاتف المكسور" حيث تصل الرسالة مشوهة عند وصولها إلى النهاية. أيضاً، إذا سأل شخص ما سؤالاً غريباً أو طويلاً أو معقداً (مثل "أريد وظيفة إدخال بيانات عن بُعد براتب يزيد عن ٥٠ ألف دولار ولكن داخل الولايات المتحدة فقط")، فإن الفريق غالباً ما ينهار.

الحل الجديد: "أمين المكتبة الخارق"

قام مؤلفو هذه الورقة البحثية ببناء إطار عمل موحد لفهم الاستعلامات المهيكلة. بدلاً من فريق من المتخصصين، قاموا بتعيين "أمين مكتبة خارق" واحد (نموذج لغوي صغير - SLM) يقوم بكل شيء في آن واحد.

إليك كيف يعمل ذلك، باستخدام تشبيهات بسيطة:

١. القرار بمرور واحد (القائمة "الكل في واحد")

بدلاً من تمرير طلبك عبر خط إنتاج، أنت تسلم طلبك لأمين المكتبة الخارق. في نظرة واحدة، يقوم هذا الأمين بـ:

تحديد ماذا تبحث عنه (الموجه - Router).
استخراج الوسوم المحددة (مثل: "عن بُعد"، "سينيور"، "عالم بيانات").
إعادة صياغة جملتك الفوضوية إلى طلب مهني واضح إذا لزم الأمر.
التحقق مما إذا كنت تطلب شيئاً مخالفاً للقواعد (الثقة/الأمان).

الخدعة السحرية: لا يكتفي أمين المكتبة بالتخمين؛ بل يقوم بملء قائمة مراجعة ذات تنسيق صارم (التوليد المقيد بالمخطط - Schema-Constrained Generation). لا يمكنه كتابة رواية؛ بل يجب عليه ملء خانات محددة في نموذج. هذا يضمن أن يفهم نظام الكمبيوتر اللاحق الطلب تماماً دون الارتباك بسبب النصوص الفوضوية.

٢. "مُنير الاستعلام" (المعلم والقاضي)

تدريب أمين مكتبة واحد للقيام بكل شيء أمر صعب لأنك تحتاج إلى آلاف الأمثلة من الإجابات "المثالية"، والبشر بطيئون جداً في كتابتها جميعاً.

لحل هذه المشكلة، أنشأ الفريق "مُنير الاستعلام" (Query Illuminator). فكر في هذا كـ أمين مكتبة رئيسي (ذكاء اصطناعي أكبر وأذكى بكมาก) يعمل في المكتب الخلفي.

كمعلم: يقرأ أمين المكتبة الرئيسي آلاف الطلب الفوضوية للمستخدمين ويكتب إجابات قائمة المراجعة "المثالية". ثم يعلم أمين المكتبة الخارق الأصغر كيفية القيام بالمثل (وهذا ما يسمى بالتقطير - Distillation).
كقاضٍ: عندما يرتكب أمين المكتبة الخارق خطأً، يعمل أمين المكتبة الرئيسي كقاضٍ بديل. فهو يقيم عمل أمين المكتبة الخارق مقابل القواعد (مثل "هل اخترعت وظيفة غير موجودة؟") دون الحاجة إلى وجود بشري للتحقق من كل حالة في كل مرة.

٣. النتائج: أسرع، أذكى، وأكثر أماناً

اختبر الفريق هذا النظام الجديد في محرك البحث عن الوظائف الفعلي في LinkedIn.

طلبات أقل تعطلاً: بما أن أمين المكتبة الخارق يتعامل مع العملية بأكملها في وقت واحد، فإن عدد الطلبات التي يتم إسقاطها أو فهمها بشكل خاطئ قلّ بشكل كبير. تشير الورقة إلى انخفاض بنسبة ١٧٪ في الطلبات الفاشلة.
مستخدمون أكثر سعادة: وجد عدد أكبر من الناس وظائف نالت إعجابهم وقاموا بالتقدم إليها.
السرعة: على الرغم من أن أمين المكتبة يقوم بعمل أكثر، إلا أن النظام سريع بما يكفي للتعامل مع ملايين الطلبات في الثانية دون جعل المستخدمين ينتظرون.
تعدد الاستخدامات: أثبتوا أن هذا يعمل لأشياء أخرى أيضاً، مثل البحث عن الأشخاص (ليس فقط الوظائف)، مما يظهر أن "أمين المكتبة الخارق" يمكن إعادة تدريبه لمكتبات مختلفة بأقل جهد ممكن.

الملخص

تصف الورقة البحثية استبدال خط تجميع بطيء ومعرض للأخطاء من الأدوات الصغيرة بـ روبوت واحد ذكي وفعال يفهم اللغة البشرية المعقدة، ويتبع قواعد صارمة، ويتعلم من "معلم رئيسي" (ذكاء اصطناعي). هذا يجعل تجربة البحث أكثر سلاسة وسرعة وموثوقية للجميع ممن يبحثون عن وظيفة.

ملخص تقني مفصل لورقة بحثية بعنوان: "إطار عمل موحد لفهم الاستعلام الهيكلي للبحث الدلالي الصناعي"

بيان المشكلة

تعتمد أنظمة البحث الدلالي الصناعية، لا سي‌ما في المجالات الرأسية واسعة النطاق مثل "البحث عن الوظائف" في LinkedIn، تقليديًا على خطوط معالجة مجزأة ومتتالية من مكونات متباينة (مثل: مصنفات الكيانات المنفصلة، ومعدلات إعادة كتابة الاستعلام، ومصنفات النوايا). ورغم إمكانية تحسين كل مكون منها على حدة، إلا أن هذه البنية تفرض عبء صيانة مرتفعًا، وتؤدي إلى سلوكيات غير متسقة عبر أنواع الاستعلامات المختلفة، وتضاعف من حدوث الأخطاء في سيناريوهات "الذيل الطويل" (long-tail).

وتتفاقم المشكلة بسبب طبيعة الاستعلامات الدلالية الحديثة، والتي غالبًا ما تكون مسهبة، وعالية الإنتروبيا (high-entropy)، ومتعددة القيود (مثل: "موظف إدخال بيانات عن بعد تقديم سهل" أو "الراتب > X دولار أو عن بعد في الولايات المتحدة"). في الأنظمة القديمة، تجد المكونات المعزولة صعوبة في حل التبعيات المعقدة، وغالبًا ما تبالغ في استخراج الكيانات أو تخفق في تحديد النوايا الكامنة. علاوة على ذلك، تواجه النمذجة الموحدة عقبات كبيرة في ندرة البيانات والتقييم؛ حيث إن ملصقات فهم الاستعلام مكلفة للغاية بسبب متطلبات سياسة المنتج الصارمة (مثل: تجنب الفلاتر المتخيلة/الهلوسة)، كما أن العديد من أوجه الفشل دقيقة ويصعب رصدها باستخدام المقاييس الآلية القياسية.

المنهجية

يقترح المؤلفون إطار عمل موحد لفهم الاستعلام الهيكلي يقوم بدمج الوظائف غير المتجانسة في نموذج لغوي صغير (SLM) واحد يقوم بتوليد مقيد بالمخطط (schema-constrained generation). يعمل النظام في بيئتين غير متزامنتين:

1. محرك الاستدلال عبر الإنترنت (الطالب - The Student):

نموذج لغوي صغير أحادي (Monolithic SLM) (تحديدًا نموذج بـ 1.5 مليار معلمة) مُحسَّن للتوليد في تمريرة واحدة ومقيد بالمخطط.
المدخلات: استعلام المستخدم ( $q$ ) ومتجه السياق ( $c$ ) الذي يضم ملف العضو الشخصي، والموقع، وسجل الجلسة.
المخرجات: أثر هيكلي $y = \{r, t, w, s, \dots\}$ $y = {r, t, w, s, \dots}$ يتم توليده في تمريرة أمامية واحدة:
- $r$ : الموجه (Router) (قرار منفصل للتحكم في المنفذين اللاحقين مثل الوسم، أو إعادة الكتابة، أو حظر الثقة).
- $t$ : الوسوم (Tags) (قيود هيكلية مثل المسمى الوظيفي، الشركة، الموقع، "التقديم السهل").
- $w$ : إعادة الكتابة (Rewrite) (تحسين اختياري باللغة الطبيعية، مثل حل "بالقرب من موقعي" إلى مدينة محددة).
- $s$ : قرارات السلامة/الثقة (Safety/Trust).
الخدمة: يستخدم النظام فك ترميز قواعدي موجه (xgrammar) لفرض مخططات JSON/TypeScript، مما يمنع المخرجات المشوهة. كما يستخدم التجميع من جهة العميل (client-side batching) والتخزين المؤقت للبادئة (prefix caching) لتلبية قيود زمن الاستجابة الصارمة (متوسط زمن الاستجابة < 300 مللي ثانية) على موارد GPU محدودة.

2. منير الاستعلام (المعلم والحكم - The Teacher & Judge):

إطار عمل خارجي عالي القدرة (باستخدام نموذج بـ 8 مليارات معلمة) يعالج عقبات البيانات والتقييم.
دور المعلم (Teacher Role): يولد أهدافًا عالية الدقة ومتوافقة مع المخطط لعمليات الضبط الدقيق تحت الإشراف (SFT) وتقطير المعرفة (KD). تعمل عملية التقطير على نقل قدرات الاستدلال من المعلم (8B) إلى الطالب (1.5B)، مما يسد فجوة الاستدلال مع الحفاظ على بصمة تشغيل صغيرة.
دور الحكم (Judge Role): يعمل كمقيم بديل (surrogate evaluator) للاختبار الخارجي. يستخدم قوالب مطالبات قائمة على السياسات لتسجيل المخروات المرشحة مقابل المراجع بناءً على معايير محددة (مثل: دقة الاستخراج، نظافة الاستعلام) ويصدر تصنيفًا هيكليًا للأخطاء. وهذا يسمح بتقييم قابل للتوسع حيث تندر الملصقات البشرية.

استراتيجية التدريب:
يستخدم إطار العمل نموذج ضبط التعليمات متعدد المهام. يتم تدريب النموذج عبر SFT على مخرجات مقيدة بالمخطط، يليه التقطير من المعلم. يعمل النهج متعدد المهام (التحسين المشترك للتوجيه، والوسم، وإعادة الكتابة) كمنظم (regularizer)، مما يمنع الإفراط في التخصيص (overfitting) للأنماط اللغوية المهيمنة ويحسن التعميم على استعلامات الذيل الطويل.

المساهمات الرئيسية

فهم استعلام دلالي موحد: يستبدل خطوط المعالجة متعددة المراحل بمرحلة واحدة من نموذج لغوي صغير يقوم بتوليد مقيد بالمخطط، مما يقلل من انتشار الأخطاء وتكاليف الصيانة.
الإشراف والتقييم القائم على السياسة: يقدم منير الاستعلام (Query Illuminator)، وهو إطار عمل مزدوج الغرض يعمل كمعلم للتعليق التلقائي/التقطير وكحكم بديل للتقييم الخارجي القابل للتوسع والمتوافق مع السياسات.
خدمة قابلة للتوسع للتوليد الهيكلي: يصف حزمة خدمة إنتاجية تتميز بفك الترميز الموجه، والتحقق من المخطط، والتجميع من جهة العميل، والتي تم التحقق منها تحت أحمال QPS واقعية.
القابلية للتوسع عبر المجالات: يثبت قابلية نقل الإطار من خلال تطبيق نفس البنية على البحث الدلالي عن الأشخاص (SPS) مع حد أدنى من التكيف، مما يثبت طبيعته المستقلة عن المجال.

النتائج التجريبية

تم التحقق من صحة إطار العمل من خلال اختبارات شاملة داخلية وخارجية ضمن نظام البحث عن الوظائف في LinkedIn (أكثر من 10 ملايين مستند، وأكثر من 10 آلاف QPS) ودراسة حالة للبحث عن الأشخاص.

الجودة الخارجية (Offline Quality):
- الأداء متعدد اللغات: حقق نموذج الطالب (1.5B) المقطر دقة واستدعاءً عاليين عبر الإنجليزية والألمانية والإسبانية والفرنسية، مستعيدًا جزءًا كبيرًا من جودة المعلم الأكبر.
- متعدد المهام مقابل أحادي المهمة: أدى التحسين المشترك إلى تحسين F1 لاستخراج الموقع من 0.885 إلى 0.924 مقارنة بضبط الأداة الواحدة، مما أظهر انتقالًا إيجابيًا.
- التحقق من الحكم البديل: حقق "منير الاستعلام" معامل كوهين $\kappa$ قدره 0.77 مقابل الخبراء البشريين (الحد الأقصى 0.83)، مع استقرار في تحليل JSON بنسبة 99.96%، مما يؤكد استخدامه كإشارة تطوير موثوقة.
اختبار A/B عبر الإنترنت (البحث عن الوظائف):
- الموثوقية: قلل من فشل الطلبات بنسبة 17.13%، مدفوعًا بشكل أساسي بتحسين موثوقية التوجيه والوسم.
- التفاعل: أظهر تحسينات ذات دلالة إحصائية في المقاييس الرئيسية، بما في ذلك نسبة التقديم إلى عرض الشاشة (+0.14%)، وجلسات البحث (+0.74%)، وإجراءات التقديم أو الحفظ الناجحة (+0.49%).
- زمن الاستجابة: حافظ النظام على ميزانيات زمن الاستجابة الصارمة (متوسط < 300 مللي ثانية للوسم، وحوالي 110 مللي ثانية لاقتراح الميزات) حتى تحت أحمال العمل المتقلبة.
عبر المجالات (البحث عن الأشخاص):
- طُبق على البحث الدلالي عن الأشخاص، حيث وجه النظام 70.1% من حركة المرور إلى المسار الدلالي.
- أظهرت الصلة المدرجة خارجيًا (GR@10) زيادات هائلة: +57% للاستعلامات الملاحية و +75% للاستعلامات الاستكشافية عندما استهلك نظام الاسترجاع الاستعلامات الهيكلية.
التأثير اللاحق (Downstream Impact):
- أدى حقن الوسوم الهيكلية في نظام الاسترجاع القائم على التضمين (EBR) الحالي (دون إعادة تدريب المسترجع) إلى تحسين مقاييس الاسترجاع (top-50) بنسبة +1.8% في الدقة و +2.2% في الاستدعاء.

الأهمية والادعاءات

تدعي الورقة أن دمج التوجيه، والوسم، وإعادة الكتابة، ومعالجة الثقة في نموذج لغوي صغير واحد مقيد بالمخطط هو بديل قابل للتطبيق ومتفوق على خطوط المعالجة المجزأة للبحث الدلالي الصناعي. تكمن الأهمية في:

الكفاءة التشغيلية: تقليل عبء الصيانة وانتشار الأخطاء بشكل كبير مع تلبية قيود زمن الاستجابة الصارمة على الأجهزة المحدودة.
القابلية للتوسع: حل مشكلة نقص البيانات من خلال "منير الاستعلام"، الذي يتيح التكرار السريع عبر الإشراف الاصطناعي والتقييم القائم على السياسة دون الاعتماد فقط على الملصقات البشرية المكلفة.
التعميم: إثبات إمكانية نقل بنية موحدة بنجاح عبر مجالات مختلفة (من البحث عن الوظائف إلى البحث عن الأشخاص) ولغات متعددة، بشرط إعادة تعريف مخطط المخرجات.

يخلص المؤلفون إلى أن هذا النهج يحول فهم الاستعلام إلى نظام أكثر قابلية للتوسع والتوسع والجاهزية للإنتاج، مما يوازن بفعالية بين القوة التعبيرية للنماذج التوليدية ومتطلبات الموثوقية في البحث الصناعي.