Graph-GRPO 深度解读：用"推理依赖图"重做电商搜索相关性的强化学习信用分配
1. 问题与动机
电商搜索相关性建模（判断 query 与候选商品是否匹配）正越来越多地被表述为 LLM 的链式思维（CoT）推理 + 强化学习优化。但作者指出现有 RL 范式有一个结构性缺陷：只用稀疏的结果级（outcome-level）奖励，把整条推理链当成单一优化单元。这导致"无法区分出错的推理步骤与正确的中间步骤"，信用分配（credit assignment）错位——模型答错了，却不知道是 query 理解错、商品理解错、还是匹配判断错。
论文给出了量化证据来说明问题严重性：未经训练的 vanilla LLM 基线（Qwen3-14B）在相关性分类上 Macro-F1 仅 56.39%；更要命的是对"不相关"类的召回只有 29.70%、F1 仅 43.97%，即"只能识别出一小部分明显不相关的 case，缺乏任务特定的可靠校准"。对一个要靠相关性把控搜索结果质量的系统，漏判不相关商品是直接伤害体验的。已有的过程奖励（process-reward）方法虽提供更密集监督，却"把推理步骤当作相互独立的，忽略了依赖驱动的错误传播"，无法刻画"上游 query 理解错 → 下游匹配必然错"这种责任链。
2. 方法详解
(a) 相关性推理依赖图。 作者把相关性推理显式分解为结构：(q,p) → (qs,qa,ps,pa) → (ms,ma) → y，即 query 和 product 各自拆成 subject（主体 s）与 attribute（属性 a）两个维度，产生 subject 匹配分 ms 和 attribute 匹配分 ma，再决定最终标签 y。对应的依赖图 𝒢=(𝒩,ℰ) 有 7 个节点（最终标签 y、ms/ma 两个匹配分、qs/qa/ps/pa 四个证据节点），边分三类：ℰdec（决策传播，y→ms/ma）、ℰevid（分数到证据，ms→qs/ps）、ℰcons（跨维度一致性，query 证据与 product 证据互校）。
(b) 结果奖励沿图传播为步骤级信用。 奖励用二值精确匹配信号：ry = 2·𝕀[y=y*] − 1（对 +1、错 −1），维度匹配分同理。这些结果级奖励通过可学习系数 φ 沿图传播：全局决策奖励传到匹配分 Rms = rs + φ1·ry；匹配分奖励再传到证据节点 R̂qs = φ3·Rms；并在 query/product 证据间做跨维度一致性交换。这样把"最终标签 + 维度匹配分"的稀疏正确性信号，转换成"依赖感知"的细粒度节点级奖励。
(c) 主损失驱动的边系数控制器。 关键创新：传播系数 φ 不是手工固定，而是在竞争分支组内用 softmax 归一化 w(u→v)=exp(φ)/Σexp(φ)，并且"直接通过主策略损失优化"——总目标 𝒥(θ,φ)=ℒ_Graph-GRPO(θ,φ)+λ_reg·ℛ(φ)。即让主策略损失的梯度去强化有效的信用路径、抑制噪声路径，实现自适应的跨路径信用分配。
(d) CoT 随机掩码做 SFT 冷启动。 两阶段：先在模型标注数据上做 label-only SFT，再做 masked CoT 训练（采用"先给标签、再推理、最后决策"的顺序）。对推理 token，只有随机子集（Bernoulli(1−ρ) 掩码）参与 loss——既保留稳定的决策学习与部分结构化推理监督，又减少对模板化解释的过拟合。消融显示该掩码把 Macro-F1 从 79.55% 提到 80.33%（+0.78pp）。
(e) 基于图节点的多头蒸馏。 线上无法直接部署 14B LLM，于是用轻量 BERT cross-encoder 学生模型，配三个预测头分别输出 ms、ma、y，并加第四个一致性损失：让 y_union=g(ms,ma) 与直接预测的 y 通过 KL 散度对齐。总蒸馏损失 λs·ℒs+λa·ℒa+ℒy+λc·ℒc，把 LLM 教师的结构化推理信号转成可学习的多任务监督。
训练配置： 基座 Qwen3-14B；GRPO 每样本采样 16 个回复、temperature 0.95；学习率分别为 label SFT 1e-5、masked CoT 7e-6、Graph-GRPO 1e-6；图系数学习率 6e-4、正则权重 6e-5；训练 batch 512、PPO mini-batch 256。
3. 核心技术贡献
- 图结构化信用分配：把相关性推理建成显式依赖图，使奖励能"从全局决策细化到局部证据"，解决整链单一奖励无法定位错误步骤的问题。这比独立处理各步的 process-reward 更贴合"上游错→下游错"的真实错误传播。
- 可学习边系数：用主策略损失联合优化传播系数 φ，而非固定权重，实现不同推理路径上的自适应信用分配；这是相对普通 GRPO/PRM 的机制性改进。
- 可训练且可部署的统一框架：渐进式 SFT+掩码、依赖感知 GRPO、图节点多头蒸馏三者拼成一条"教师用图做强 RL、学生用 BERT 上线"的工业落地链路。
4. 实验结果分析
离线（测试集 92,419 条）Macro-F1 / Weighted-F1 / Accuracy / 不相关类 F1：
- LLM-Base：56.39% / 61.34% / 61.54% / 43.97%
- LLM-SFT：80.33% / 83.13% / 83.84% / 83.94%
- LLM-GRPO：80.91% / 83.57% / 84.21% / 84.53%
- Graph-GRPO：81.26% / 83.84% / 84.44% / 84.75%
可以看到三点：① SFT 相对 base 是质变（Macro-F1 56→80，不相关类 F1 44→84），说明任务对齐是第一收益源；② 在 SFT 已经很强的基础上，GRPO（+0.58pp）与 Graph-GRPO（再 +0.35pp）属于"高位精修"，提升幅度小但方向一致，且不相关类 F1 持续走高（最关心的指标）；③ 去掉可学习系数的 Graph-GRPO 为 81.22%，即系数机制本身只贡献约 0.04pp——这是一个诚实但偏弱的消融，说明依赖图的主要价值来自结构化奖励传播，而非系数自适应。可学习系数对"不相关召回"有更明显作用（89.57%→89.95%）。
线上 A/B（10,000 条代表性 query）： 用 Graph-GRPO 蒸馏后的 BERT 上线，Bad Case Rate（top-10 结果中至少含一个被标为不相关商品的 query 占比）从两个对照槽 11.99%/11.95% 降到 11.65%，相对降低约 2.67%。指标设计直接对应用户可感知的"搜出不相关商品"问题。
5. 局限与未来方向
论文未给出显式的定量局限陈述。从方法看几处隐含约束：① 依赖图假设了 subject/attribute 二元分解，对其他任务结构（如多facet、数值/规格匹配）的可迁移性未讨论；② 边系数需要在奖励计算上反向传播，稀疏奖励下可能不稳定；③ 多头蒸馏效果依赖中间监督（ms/ma 伪标签）的质量，若教师维度判断本身噪声大，学生会继承偏差。此外，系数机制仅 +0.04pp 的离线增益，是否值得引入额外训练复杂度，作者没有进一步成本-收益讨论。
6. 工业实践意义
对做 LLM 搜索相关性判别的团队，最值得借鉴的是"训练用推理图、上线用蒸馏头"的双轨设计：14B LLM 推理成本"难以直接在线上搜索系统部署"，但把它当教师、用图节点多头蒸馏把结构化推理灌进 BERT cross-encoder，就能满足线上延迟/吞吐，已在 JD 电商搜索"服务数亿用户"。具体可落地的点：① 把相关性拆成 query 理解 / 商品理解 / facet 匹配并按依赖关系归因错误，比整链单一奖励更能定位"哪一步推错"，社区 UGC 短文本搜索同样适用（如把"query 意图 / 帖子主题 / 语义匹配"建成依赖图）；② CoT 随机掩码 + label-first 顺序的 SFT 冷启动是低成本、稳定收益（+0.78pp）的技巧，优先于复杂 RL；③ 评估上直接用 Bad Case Rate（top-k 含不相关项占比）这种与体验强相关的业务指标，比单纯看 F1 更能驱动线上决策。需要注意：本文核心收益来自 SFT 对齐与结构化奖励传播，可学习系数的边际收益很小，资源有限时可先复现"依赖图 + 掩码 SFT + 蒸馏"，把系数自适应作为后续可选项。