Generative生成式推荐 · 10 篇Personalization个性化推荐 · 10 篇

今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 869 篇，入选 10 篇，分数 3.20 – 4.35

本期目录 · 10 篇
  1. 01Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices
  2. 02SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests
  3. 03FLAME: Condensing Ensemble Diversity into a Single Network for Efficient Sequential Recommendation
  4. 04Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
  5. 05Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation
  6. 06FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation
  7. 07User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation
  8. 08Joint Behavior-guided and Modality-coherence Conditional Graph Diffusion Denoising for Multi Modal Recommendation
  9. 09A Logical-Rule Autoencoder for Interpretable Recommendations
  10. 10MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
LEAD STORY · 今日必读 · Snapchat

Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices

本文系统介绍了 Snapchat 在推荐系统中部署 Semantic IDs (SIDs) 的工业实践。SID 是一种有序编码列表，通过残差量化等分词器从语义表征中提取，相比传统原子 ID 具有更小的基数和更好的语义聚类特性。论文涵盖了 SID 在排序模型辅助特征和新检索源等多个场景中的应用，分享了 tokenizer 设计、层级编码结构、冷启动处理等关键工程决策。

📖 深度解读 · 7 分钟arXiv ↗
相关 4新颖 4实用 5证据 4时效 5
4.35
综合分 / 5
偏好调整 4.50
KEY INSIGHT · 对业务意味着什么SID 的核心优势在于将协同过滤信号和语义信息统一编码，同时大幅降低 ID 空间基数。对搜推系统实践者而言，SID 可作为排序模型的辅助特征提升 CTR 预估效果，也可作为额外召回源增强检索多样性。Snapchat 的工程经验表明，SID 的分词器设计（如残差量化层数、码本大小）和部署策略是落地关键。
Clark Mingxuan Ju, Tong Zhao, Leonardo Neves, Liam Collins, Bhuvesh Kumar, Jiwen Ren 等 18 人 · 2026-04-07 · arXiv

今日其余入选

9 篇 · 按综合排名
02 3.75

SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests

Huawei

SLSRec 提出了一种基于会话的长短期用户兴趣自适应融合推荐模型。区别于将长短期兴趣合并为单一表征的传统方法，SLSRec 通过时间分段历史行为，利用自监督学习框架解耦长短期兴趣。核心创新是引入对比学习策略，确保长短期兴趣表征的准确校准，同时保持两类兴趣之间的互补性。

INSIGHTSLSRec 的实践启示在于：用户兴趣建模不应简单合并长短期信号，而应显式解耦并自适应融合。对比学习提供了一种无需额外标注的自监督信号来校准兴趣表征。该思路可直接应用于 UGC 搜索场景中用户长期偏好（关注话题）和短期意图（近期搜索）的建模。

Wei Zhou, Yue Shen, Junkai Ji, Yinglan Feng, Xing Tang, Xiuqiang He, Liang Feng, Zexuan Zhu
arXiv·2026-04-07·Relevance 4 · Novelty 3 · Practical 4 · Evidence 3 · Timely 5
03 3.70

FLAME: Condensing Ensemble Diversity into a Single Network for Efficient Sequential Recommendation

FLAME 提出了一种将集成模型多样性压缩到单个网络的高效序列推荐框架。通过模块化集成（Modular Ensemble），将每个网络分解为子模块并动态组合，仅使用两个网络即可模拟指数级多样性。其中一个网络预训练后冻结作为语义锚点，另一个可学习网络通过引导式互学习（Guided Mutual Learning）稳定训练过程。

INSIGHTFLAME 解决了集成方法在推荐系统中的效率瓶颈：通过冻结+可学习双网络的模块化组合，用单网络推理开销获得集成级别的表达多样性。这一思路对降低在线推理延迟同时保持推荐质量有直接工程价值，特别适用于对延迟敏感的实时推荐场景。

WooJoo Kim, JunYoung Kim, JaeHyung Lim, SeongJin Choi, SeongKu Kang, HwanJo Yu
arXiv·2026-04-07·Relevance 3 · Novelty 4 · Practical 4 · Evidence 3 · Timely 5
04 3.70

Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation

本文提出将可解释推荐从文本生成问题重构为语句级排序问题。系统从用户评论中提取候选解释语句，通过排序模型选出 top-k 作为推荐解释，从构造上避免了 LLM 生成幻觉问题。为确保解释质量，论文定义了三个约束：解释性（影响用户体验的商品事实）、原子性（单一观点）和唯一性（合并近义表述），并设计了基于 LLM 的提取与清洗流程。

INSIGHT"排序而非生成"是一种务实的可解释推荐范式，其优势在于：（1）天然避免幻觉，所有解释均来自真实用户评论；（2）可复用成熟的排序评估指标和优化方法；（3）通过相关性分数建模因素重要性。对 UGC 搜索场景尤为适用——社区内容本身就是丰富的候选解释来源。

Ben Kabongo, Arthur Satouf, Vincent Guigue
arXiv·2026-04-07·Relevance 3 · Novelty 4 · Practical 4 · Evidence 3 · Timely 5
05 3.50

Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation

本文针对序列推荐中的长尾物品问题，提出基于 LLM 的融合与对齐增强框架。长尾物品交互稀疏，传统模型难以准确捕捉其转换模式。论文提出两点改进：（1）更有效地融合协同过滤信号与 LLM 语义知识以提升长尾物品 embedding 质量；（2）解决 ID embedding 空间与 LLM embedding 空间的结构不一致问题，避免冲突信号降低推荐精度。

INSIGHT长尾物品是搜推系统的普遍痛点，尤其在 UGC 平台上大量新帖/冷门帖面临稀疏交互。利用 LLM 的语义理解能力补充长尾物品的表征是一个值得探索的方向，但关键挑战在于协同信号与语义信号的对齐融合——直接拼接会导致空间冲突，需要显式对齐机制。

Zhifu Wei, Yizhou Dang, Guibing Guo, Chuang Zhao, Zhu Sun
arXiv·2026-04-07·Relevance 4 · Novelty 3 · Practical 3 · Evidence 3 · Timely 5
06 3.45

FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation

FAVE 提出了一种基于流匹配的一步生成式序列推荐框架。针对现有 "噪声到数据" 范式的两个瓶颈——先验不匹配（从无信息噪声出发导致冗长恢复轨迹）和线性冗余（迭代求解器在确定性偏好转换上浪费计算），FAVE 设计了从信息性先验到目标分布的直接轨迹。采用渐进式两阶段训练策略，在第一阶段通过双端语义对齐建立稳定的偏好空间。

INSIGHTFAVE 将流匹配引入序列推荐，实现了一步生成替代多步扩散，大幅提升了生成推荐的推理效率。核心创新是信息性先验设计——利用用户历史偏好而非随机噪声作为生成起点。这一思路对希望在推荐系统中引入生成范式但受限于推理延迟的实践者有参考价值。

Ke Shi, Yao Zhang, Feng Guo, Jinyuan Zhang, JunShuo Zhang, Shen Gao, Shuo Shang
arXiv·2026-04-07·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
07 3.45

User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation

SMTPO 提出了用户模拟器引导的多轮偏好优化方法，用于基于推理 LLM 的对话式推荐系统。针对对话历史信息稀疏和单轮推荐范式导致的用户偏好建模不准确问题，SMTPO 引入 LLM 用户模拟器生成自然语言反馈，进行多轮模拟交互。为解决模拟器反馈偏离真实用户兴趣导致的误差累积，采用强化学习进行策略优化。

INSIGHTSMTPO 的启示在于：单轮推荐无法充分捕捉复杂用户偏好，多轮交互是更自然的偏好获取方式。但模拟用户反馈存在误差累积风险，需要 RL 策略优化来约束。对对话式搜索场景（如用户在社区中通过多轮交互细化搜索意图），这一多轮优化思路有潜在应用价值。

Xingyuan Xiang, Xiangchen Pan, Wei Wei
arXiv·2026-04-07·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
08 3.45

Joint Behavior-guided and Modality-coherence Conditional Graph Diffusion Denoising for Multi Modal Recommendation

JBM-Diff 提出了联合行为引导和模态一致性条件的图扩散去噪模型用于多模态推荐。针对两个关键挑战：（1）多模态特征中存在大量与用户偏好无关的冗余信息，直接注入交互图会影响协同特征学习；（2）系统错误导致的误点击和非曝光等虚假正负样本反馈偏差。论文设计了条件扩散模型同时去噪多模态特征和用户反馈。

INSIGHTJBM-Diff 的核心价值在于将扩散模型的去噪能力同时应用于特征噪声和行为噪声两个维度。在 UGC 推荐中，用户反馈偏差（误点击、未曝光等）和多模态内容噪声（如图片与文本不一致）是常见问题，联合去噪思路比单独处理更加高效。

Xiangchen Pan, Wei Wei
arXiv·2026-04-07·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
09 3.45

A Logical-Rule Autoencoder for Interpretable Recommendations

LIA（Logical-rule Interpretable Autoencoder）提出了一种内在可解释的协同过滤自编码器。核心创新是可学习逻辑规则层，每个规则神经元配备门参数在训练中自动选择 AND 或 OR 算子，从数据中发现多样逻辑模式。通过连接权重的符号编码否定操作，无需翻倍输入维度即实现功能完备性。最终学到的重建规则是显式的、人类可读的。

INSIGHTLIA 探索了一条不同于后置解释的可解释推荐路径——内在可解释模型。通过逻辑规则层直接学习 AND/OR 模式（如 "喜欢 A 且喜欢 B → 推荐 C"），模型决策过程天然透明。虽然在推荐精度上可能与黑盒模型有差距，但对需要审计和可解释性的场景（如内容审核、广告推荐）有独特价值。

Jinhao Pan, Bowen Wei, Ziwei Zhu
arXiv·2026-04-07·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
10 3.20

MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation

MMP-Refer 提出了一种多模态路径检索增强 LLM 的可解释推荐框架。针对当前 LLM 可解释推荐方法忽略多模态信息且协同信号对齐不足的问题，设计了多模态检索路径收集方案，通过检索路径将协同信号引入 LLM 语义空间。与依赖不可解释 GNN 算法的现有方法不同，MMP-Refer 的检索路径本身具有可解释性。

INSIGHTMMP-Refer 将多模态信息与知识图谱路径结合用于增强 LLM 的推荐解释能力。在图文内容丰富的 UGC 场景中，多模态检索路径可以提供比纯文本更丰富的解释依据。但实际部署需考虑多模态特征提取和路径检索的额外计算开销。

Xiangchen Pan, Wei Wei
arXiv·2026-04-07·Relevance 3 · Novelty 3 · Practical 3 · Evidence 3 · Timely 5

其他赛道今日

点击切换
Generative
10
生成式推荐 · 篇入选