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 14 篇，入选 5 篇，分数 2.70 – 4.30
论文针对CTR预估中用户兴趣的时序变化与频率模式难以同时利用的问题，提出频率增强Deep Interest Network（FEDIN），在时间域和频率域联合编码行为序列，并用频域分支提取周期性兴趣。在Tmall、Alipay、Taobao上，FEDIN的GAUC/AUC分别为0.9658/0.9666、0.9335/0.9320、0.9740/0.9729，均超过DIN、DIEN等七类基线。
CADiff面向扩散式序列推荐中长期兴趣表示不完整、长短期兴趣权重固定的问题，提出非对称感知编码器APE与自适应多兴趣融合AMF：前者让序列上下文注入用户特定表示，后者按当前场景动态生成扩散引导信号。模型在MovieLens、KuaiRec、Yelp和Book四个真实数据集上同时改善推荐准确率与个性化效果，并提供了公开代码。
INSIGHT长短期兴趣不应使用全局固定权重，用户当前会话与内容类型决定两者的相对贡献。对社区UGC推荐可借鉴“用户状态+当前序列”的门控融合，再把扩散生成限制在候选集合内；同时要警惕多步采样带来的线上延迟，优先验证蒸馏或少步采样方案。
TF-Rec针对序列推荐中的多意图与周期性行为，组合三部分机制：用自适应可学习原型聚类发现潜在意图，用意图引导扩散生成刻画动态偏好演化，再以时间-频率多任务对比学习对齐不同视角的行为表示。论文发表于2026年7月19日，核心目标是让兴趣表示同时保留短期变化、周期规律和意图结构。
INSIGHT当UGC用户同时存在“长期主题偏好”和“本次会话意图”时，先聚类意图再做序列建模比单一兴趣向量更可解释。可将原型聚类作为离线用户状态特征接入现有CTR模型，先做轻量A/B；扩散生成与多任务对比学习会增加训练复杂度，应以增量收益和资源成本共同评估。
GEEMOO面向教育推荐中相关性、学习效果和多样性相互冲突的问题，把梯度法的快速整合能力与进化策略的全局搜索结合，寻找Pareto最优解。实验中Hypervolume为0.85、Generational Distance为0.02、Spread Indicator为0.88、Crowding Distance为0.92；相较NSGA-II，适应度评估从60,000次降至50,000次。
INSIGHT多目标推荐不应把CTR、深度消费和内容生态简单线性加权后长期固定，Pareto前沿可以保留多种业务取舍。社区搜索/推荐可借鉴其“候选解集+在线策略选择”思路，将相关性、点击和多样性约束分层验证；但教育场景与UGC场景不同，不能直接迁移指标权重。
论文研究带偏好强度的排序投票：在传统“先后顺序”之外，允许用户表达强烈或普通偏好，并提出Positional Scoring Matching规则，通过零和博弈求出该规则类中的最优成员。在度量失真框架下，利用偏好强度可把失真控制在3以下，论文同时给出了忽略强度信息的代价界。
INSIGHT它不是推荐系统论文，但提醒我们点击顺序并不等于偏好强度：一次快速点击和持续深度消费可能代表不同的满意度。对多目标排序可把停留、收藏、负反馈等信号转成强度或置信度，再做鲁棒聚合；落地前必须处理反馈噪声、可比性和隐私约束。
已录用 AAAI 2026