今日场景社区搜索(UGC 短文本搜索):核心指标为搜索相关性 nDCG 和点击率 CTR,关注语义匹配、query 理解、短文本召回、排序模型及 LLM 应用。 — 评分 35 篇,入选 3 篇,分数 3.90 – 4.45

本期目录 · 3 篇
  1. 01CADET: Context-Conditioned Ads CTR Prediction With a Decoder-Only Transformer
  2. 02Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems
  3. 03Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval
LEAD STORY · 今日必读 · LinkedIn

CADET: Context-Conditioned Ads CTR Prediction With a Decoder-Only Transformer

LinkedIn 用一个 decoder-only Transformer 换掉了原来由 DCNv2 和序列编码器组成的广告 CTR 模型。难点不在模型容量,而在广告系统的现实约束:位置要等打完分才知道,线上序列有延迟,几百个候选要在 50 ms 内打完分。CADET 把用户历史按曝光和动作交替排成一条序列,逐条预测点击;位置不当输入,而是每个位置档配一个输出头,拍卖按最终位置取用。位置只决定用哪个头的预测,从不作为当前曝光的输入。线上 CTR 提升 11.04%,CPC 下降 10.9%。

相关 5新颖 4实用 5证据 5时效 2
4.45
综合分 / 5
偏好调整 4.70
David Pardoe, Neil Daftary, Miro Furtado, Aditya Aiyer, Yu Wang, Liuqing Li, Tao Song 等 23 人 · 2026-08-09 · 网页来源

今日其余入选

2 篇 · 按综合排名
02 4.15

Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems

Spotify📖 深度解读 · 13 分钟 →

生成式推荐模型只按相关性训练,业务却常要求一张列表里某类内容达到一定比例,而且要求经常变,每变一次就重训大模型并不现实。Spotify 的 SPDD 不动模型,只在解码时给每个候选加上权重乘以它对配额的贡献,权重随配额还差多少自动升降:落后就加大,超前就减小。配额交给解码层里一个随进度变化的权重,底层模型只管相关性。约 100 万用户的线上实验里,扶持内容的收听占比相对对照组提升 5.44%,固定权重做法只有 3.60%,跳过率的涨幅也更小。

Dmitrii Moor, Ben Carterette, Senthilkumar Krishnamoorthy, Kyle Kretschman, Denis Beslic 等 8 人
网页来源·2026-08-07·Relevance 4 · Novelty 4 · Practical 5 · Evidence 5 · Timely 2
03 3.90

Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval

Infobip📖 深度解读 · 2 分钟 →

这项 RecSys 2026 演示系统面向持续上新、改价、补货和下架的电商目录,以逐商品哈希识别新增、变更、删除和未变化记录,只增量刷新向量索引。对话控制器仅让 LLM 承担意图分类与偏好询问,召回、重排和多样性由独立函数执行;论文提供 WhatsApp 在线助手、代码、2 幅图和 1 张表,但未报告离线指标提升。

INSIGHT其价值主要是工程边界清晰:把个性化偏好获取交给 LLM,把可验证、低延迟的检索与排序留给确定性组件,并用内容哈希保证目录新鲜度。社区搜索或电商推荐可复用这种增量索引协议来降低全量重建成本,不过目前证据是 3 页演示论文,正式采用前仍需补充召回新鲜度、同步延迟和推荐质量实验。

Ante Kapetanovic, Tomislav Duricic, Dionizije Fa, Andro Mercep, Emanuel Lacic
arXiv·2026-08-27·Relevance 4 · Novelty 3 · Practical 5 · Evidence 2 · Timely 5

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 8 个项目
genoskietv/AdalFlow-OptimizerBuild & Auto-Optimize LLM Apps in 2026: The Ultimate AdalFlow GuideHTML · ★ 55 · 2026-08-25 · GitHubguyulongcs/Awesome-Deep-Learning-Papers-for-Search-Recommendation-AdvertisingAwesome Deep Learning papers for industrial Search, Recommendation and Advertisement. They focus on Embedding, Matching, Pre-Ranking, Ranking, Post Ranking, Relevance, LLM and RL. Please cite our paper "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).Python · ★ 2589 · 2020-09-06 · GitHubMiaAI-Lab/GLM-5.3-Flash-EXL3-2x-DGX-SparksGLM-5.3 Flash EXL3 for 2x DGX SparksPython · ★ 238 · 2026-08-27 · GitHubQwen/Qwen3.8-Flash-Nextpipeline: image-text-to-text; tags: transformers, safetensors, qwen4_exp, image-text-to-text, conversational, license:other, eval-results, endpoints_compatiblemodel · ★ 4376 · 2026-08-24 · HuggingFacezai-org/GLM-5.3-Flashpipeline: text-generation; tags: transformers, safetensors, glm5_next, image-text-to-text, text-generation, conversational, en, zhmodel · ★ 1701 · 2026-08-25 · HuggingFacezai-org/GLM-5.3pipeline: text-generation; tags: transformers, safetensors, glm_moe_dsa, text-generation, conversational, en, zh, arxiv:2602.15763model · ★ 1333 · 2026-08-25 · HuggingFaceQwen/Qwen3.8-Flash-Next-FP8pipeline: image-text-to-text; tags: transformers, safetensors, qwen4_exp, image-text-to-text, conversational, base_model:Qwen/Qwen3.8-Flash-Next, base_model:quantized:Qwen/Qwen3.8-Flash-Next, license:othermodel · ★ 158 · 2026-08-24 · HuggingFacezai-org/terminal-bench-2-verifiedTerminal-Bench 2.0 Verified: Instruction & Environment Fix Version 中文版本 2026.08.18 Update: Following the release of Terminal-Bench 2.1, we conducted another round of review on several tasks' grading and instructions, validating each fix end-to-end inside the actual task images. T; tags: license:apache-2.0, arxiv:2601.11868, arxiv:2602.15763, region:usdataset · ★ 81 · 2026-02-05 · HuggingFace