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 921 篇，入选 10 篇，分数 3.30 – 4.20

本期目录 · 10 篇
  1. 01Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan
  2. 02Retrieve-then-Adapt: Retrieval-Augmented Test-Time Adaptation for Sequential Recommendation
  3. 03ProRank: Prompt Warmup via Reinforcement Learning for Small Language Models Reranking
  4. 04Pay Attention to Sequence Split: Uncovering the Impacts of Sub-Sequence Splitting on Sequential Recommendation Models
  5. 05Content Fuzzing for Escaping Information Cocoons on Digital Social Media
  6. 06CURE: Circuit-Aware Unlearning for LLM-based Recommendation
  7. 07Automating Personalization: Prompt Optimization for Recommendation Reranking
  8. 08From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation
  9. 09Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation
  10. 10Curr-RLCER: Curriculum Reinforcement Learning For Coherence Explainable Recommendation
LEAD STORY · 今日必读 · Meituan

Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan

本文提出 Next-Scale Generative Reranking (NSGR)，一种基于树结构的生成式重排方法，解决多阶段推荐系统中重排环节的组合空间复杂度问题。该方法通过多尺度生成策略同时建模局部与全局排列视角，并引入树状生成架构实现从粗粒度到细粒度的渐进式列表生成。在美团搜索推荐场景中部署验证，相比传统生成式重排方法在核心业务指标上取得显著提升。

📖 深度解读 · 7 分钟arXiv ↗
相关 4新颖 4实用 4证据 4时效 5
4.20
综合分 / 5
偏好调整 4.20
KEY INSIGHT · 对业务意味着什么NSGR 的核心创新在于将重排建模为多尺度的树状生成过程，从宏观排列到局部调整逐层细化，克服了现有生成式重排器缺乏全局和局部统一视角的缺陷。对搜索推荐系统的实践启示：树状生成范式为工业级重排提供了兼顾生成质量和推理效率的新思路，特别适合候选集规模较大的场景。
Shuli Wang, Changhao Li, Ke Fan, Senjie Kou Junwei Yin, Chi Wang, Yinhua Zhu, Haitao Wang 等 8 人 · 2026-04-08 · arXiv

今日其余入选

9 篇 · 按综合排名
02 3.85

Retrieve-then-Adapt: Retrieval-Augmented Test-Time Adaptation for Sequential Recommendation

📖 深度解读 · 10 分钟 →

针对序列推荐模型在推理阶段难以适应用户实时偏好变化的问题，本文提出 Retrieve-then-Adapt (RTA) 框架，通过检索增强的测试时自适应策略实现动态适配。与传统 test-time training 和 test-time augmentation 方法不同，RTA 避免了高计算开销和随机增强的局限性，通过检索相似用户行为模式来引导模型在推理时的自适应调整。实验表明该方法在多个序列推荐基准上优于现有方案。

INSIGHT将检索增强 (RAG) 思想引入序列推荐的测试时自适应，是一种轻量且有效的在线适应策略。对于 UGC 社区搜索场景，用户兴趣漂移是核心挑战之一，该方法提供了一种不需要重新训练即可跟踪用户兴趣变化的技术路径，可考虑在排序模型的在线推理阶段引入类似机制。

Xing Tang, Ziqiang Cui, Jingyang Bin, Xiaokun Zhang, Fuyuan Lyu, Jingyan Jiang, Dugang Liu, Chen Ma 等 9 人
arXiv·2026-04-08·Relevance 4 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
03 3.70

ProRank: Prompt Warmup via Reinforcement Learning for Small Language Models Reranking

本文研究小语言模型 (SLM, <7B 参数) 在重排任务中的应用，发现 SLM 存在表示空间窄和理解段落困难的瓶颈。提出 ProRank 方法，通过强化学习进行 prompt warmup 来扩展 SLM 的表示空间并增强其排序能力。该方法使小模型在重排质量上接近甚至超越大模型，同时保持显著的计算优势。

INSIGHT在工业搜索系统中，大模型重排面临延迟和成本约束。ProRank 证明了小模型经过 RL 优化的 prompt warmup 后可以达到接近大模型的重排效果，为在延迟敏感的 UGC 搜索场景中部署 LLM 重排提供了一条低成本路径。prompt warmup 作为一种通用的小模型增强策略值得关注。

Xianming Li, Aamir Shakir, Rui Huang, Tsz-fung Andrew Lee, Julius Lipp, Benjamin Clavié, Jing Li
arXiv·2026-04-08·Relevance 4 · Novelty 3 · Practical 4 · Evidence 3 · Timely 4
04 3.65

Pay Attention to Sequence Split: Uncovering the Impacts of Sub-Sequence Splitting on Sequential Recommendation Models

本文系统研究了子序列切分 (Sub-Sequence Splitting, SSS) 策略对序列推荐模型评估和训练的影响。发现两个关键问题：(1) SSS 可能干扰模型真实性能的评估，许多最新 SOTA 模型在数据读取阶段隐式使用了 SSS 但未在论文中说明；(2) SSS 的引入可能导致模型性能排名发生逆转。研究提出了标准化的 SSS 使用指南。

INSIGHT这是一项方法论层面的重要发现：序列推荐领域的许多 SOTA 结果可能因隐式使用 SSS 而被高估。直接启示：(1) 在复现和比较序列推荐模型时，必须统一 SSS 设置；(2) 在设计序列推荐 pipeline 时，需要明确 SSS 策略对离线评估指标的影响，避免被误导性的实验结果左右技术选型。

Yizhou Dang, Yifan Wu, Minhan Huang, Chuang Zhao, Lianbo Ma, Guibing Guo, Xingwei Wang, Zhu Sun
arXiv·2026-04-08·Relevance 3 · Novelty 3 · Practical 4 · Evidence 4 · Timely 5
05 3.55

Content Fuzzing for Escaping Information Cocoons on Digital Social Media

本文从内容创作者视角研究信息茧房问题。现代社交平台的推荐和排序系统使用立场检测作为重要信号，导致内容主要推送给同质化受众。提出 ContentFuzz 框架，通过基于置信度引导的内容模糊化策略，帮助内容突破既有亲缘圈子的限制，同时保持核心语义不变。

INSIGHT该研究揭示了推荐系统中立场检测信号对内容分发多样性的负面影响，这对 UGC 社区搜索平台高度相关。实践启示：(1) 在排序模型中引入立场相关特征时需注意其对生态多样性的影响；(2) ContentFuzz 的对抗式思路可用于反向评估自身推荐系统是否存在过度同质化问题。

Yifeng He, Ziye Tang, Hao Chen
arXiv·2026-04-08·Relevance 4 · Novelty 3 · Practical 3 · Evidence 3 · Timely 5
06 3.55

CURE: Circuit-Aware Unlearning for LLM-based Recommendation

随着隐私法规趋严，LLM 推荐系统 (LLMRec) 中的用户数据遗忘成为重要课题。本文提出 CURE，一种基于电路感知的遗忘方法。CURE 通过分析 LLM 内部信息流动的电路结构，精准定位需要遗忘的知识所在的模型组件，实现更精确的定向遗忘而不破坏模型整体推荐能力。

INSIGHT电路级别的遗忘思路为 LLM 推荐系统的 GDPR 合规提供了技术支撑。传统微调式遗忘往往导致推荐性能大幅下降，CURE 的精准遗忘策略在保持模型效果的同时满足隐私要求。随着 LLM 在排序和理解中的应用深入，这类隐私保护技术将成为工程化落地的关键组件。

Ziheng Chen, Jiali Cheng, Zezhong Fan, Hadi Amiri, Yunzhi Yao, Xiangguo Sun, Yang Zhang
arXiv·2026-04-08·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
07 3.55

Automating Personalization: Prompt Optimization for Recommendation Reranking

本文提出 AGP 框架，通过自动优化用户画像生成 prompt 来实现个性化重排。核心思路是将 LLM 的个性化重排问题转化为 prompt 优化问题，引入位置感知反馈机制和批量训练策略，自动搜索最优的用户画像提取 prompt，使 LLM 能更准确地理解用户偏好进行重排。

INSIGHT将个性化重排转化为 prompt 自动优化是一种实用的工程范式：无需修改模型结构或重新训练，只需优化 prompt 即可提升个性化效果。对 UGC 搜索场景的启示：在已有 LLM 重排能力的基础上，可通过自动化 prompt 优化快速迭代个性化策略，降低人工调参成本。

Chen Wang, Mingdai Yang, Zhiwei Liu, Pan Li, Linsey Pang, Qingsong Wen, Philip Yu
arXiv·2025-04-05·Relevance 4 · Novelty 3 · Practical 4 · Evidence 3 · Timely 2
08 3.55

From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation

跨域推荐 (CDR) 通过利用多域关联来缓解数据稀疏问题。现有方法主要依赖重叠用户作为知识迁移锚点，但现实中重叠用户往往稀缺。本文提出基于语言引导的条件扩散模型，利用 LLM 生成的文本线索作为跨域桥梁，为单域用户生成目标域的偏好表示，有效解决无重叠用户场景下的冷启动推荐问题。

INSIGHT将扩散模型与 LLM 文本线索结合用于跨域推荐是一种新颖的范式。核心洞察：即使没有行为层面的用户重叠，语言层面的语义描述也可作为有效的跨域桥梁。对 UGC 社区场景的启示：当用户在不同板块/频道间缺乏交叉行为时，可利用内容语义描述作为冷启动信号进行跨频道推荐。

Ziang Lu, Lei Sang, Lin Mu, Yiwen Zhang
arXiv·2026-04-08·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
09 3.50

Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation

现有 LLM 序列推荐方法仅在文本模态下工作，忽略了用户由图像等视觉信号塑造的细粒度兴趣。本文提出结合多模态大语言模型 (MLLM) 和自适应偏好优化 (APO) 的序列推荐方法，将商品图像和文本描述统一纳入用户行为序列建模，并通过偏好优化损失引导模型学习更符合用户真实偏好的推荐排列。

INSIGHT将多模态 LLM 引入序列推荐并配合偏好优化是 LLM4Rec 的前沿方向。核心启示：(1) 在 UGC 搜索中，帖子通常包含图文混合内容，纯文本建模可能遗漏视觉偏好信号；(2) 自适应偏好优化为 LLM 推荐提供了比 SFT 更精细的对齐方式。实际落地需关注多模态推理的延迟和成本。

Yu Wang, Yonghui Yang, Le Wu, Yi Zhang, Fei Liu, Richang Hong
arXiv·2026-04-08·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 4
10 3.30

Curr-RLCER: Curriculum Reinforcement Learning For Coherence Explainable Recommendation

可解释推荐系统旨在揭示推荐理由以增强透明度和可信度。以往方法联合预测评分和生成解释，但忽视了两个目标之间的不连贯性。本文提出 Curr-RLCER，一种课程式强化学习框架，通过动态评分对齐机制协调 CTR 预测与解释生成两个目标，从简单预测任务逐步过渡到复杂解释任务。

INSIGHTCTR 预测与解释生成的目标不一致是可解释推荐的核心矛盾。Curr-RLCER 的课程学习策略为多目标推荐提供了渐进式训练思路。实践意义：随着搜索结果透明度要求提升，如何在不牺牲排序效果的前提下生成高质量解释值得关注，课程学习范式可借鉴到多目标排序的训练策略设计中。

Xiangchen Pan, Wei Wei
arXiv·2026-04-08·Relevance 3 · Novelty 3 · Practical 3 · Evidence 3 · Timely 5