02 4.05
生成式推荐用 beam search 逐个生成物品 ID 的 token，冷门物品生成概率低，往往前一两步就被剪掉：Amazon 工业科学品类上，MiniOneRec 生成的 50 个候选只覆盖 11.94% 的冷门目标。CAPE 不重训模型，推理时从训练数据里统计哪些物品和用户历史被同一批用户交互过，按这个共现计数额外召回 25 个冷门候选，并把计数加进排序分。LastFM 上 TIGER 前 10 命中冷门目标的比例从 3.94% 升到 17.19%，每次请求耗时多 11–16%。
03 4.10
个性化奖励模型要给每个用户单独打分，但每人只标了几十对“两条回复选哪条”，大量没人标过的回复用不上。难点在于成对损失只约束同一提示下两条回复的分差，不同提示的分数可以整体平移，单条回复没法用一个阈值判好坏。PerSPL 训练时把每对标注回复的分数均值压向 0，让分数跨提示可比；再按用户拟合一条分数到偏好概率的单调映射，只给高置信的无标注回复打伪标签，迭代重训。PersonalLLM 上未见用户准确率 95.5%，最强基线 LoRe 为 94.0%。
04 4.10
序列推荐模型给每条历史行为算表征时，有的行为过一层编码就收敛，有的要堆叠多层才稳定。三层 SASRec 里，76.1% 的行为第一层后就稳定，6.7% 要到第三层。LoopRec 让每条历史行为各自决定堆叠几层，不再整条请求共用一个深度。在 Amazon Software 数据集上，以 SASRec 为主干时 NDCG@20 相对提升 5.68%。
05 3.85
ResearchHub 是一个生物医学预印本的论文推荐系统，语料是 MedRxiv 2023–2025 年的 44,937 篇论文。核心检索器 PRISM 是双塔编码器：先用 GPT-4o 为每篇摘要生成研究者会搜的查询，再用对比损失加 cross-encoder 蒸馏（MarginMSE）微调。在这批查询上 Recall@10 为 0.892，比 SPECTER2-Search 高 12.4 个百分点。检索之后有三个可选步骤：优先给出离用户收藏论文更远的结果，用 DPP（行列式点过程）重排减少相似论文，按 embedding 空间的局部内在维度从主流到专门排序。
06 3.85
长期对话助手要记住用户偏好，偏好真变了又要更新。常见做法是每轮追加或按规则覆盖，一句偶然的话就可能改掉旧记忆。PreCoMem 给每条记忆存一个置信度，每轮算一个意外度分数：新内容和检索到的记忆语义差多远、是否矛盾；检索结果分散时调低这个分数。分数低就加强已有记忆，居中先存成低置信假设，高且可靠时才给旧事实降权。LongMemEval-S 上用 gpt-4.1 作答，总体准确率 89.39%，最强基线 EverMemOS 为 86.16%。
07 3.75
AAristotle University of Thessaloniki
SOAR 做地点（POI）推荐，在 Yelp 数据上把评论情感和好友关系加进打分：先按公开评论的正负情感给每个地点一个初始分，再看用户好友对这些地点的评论，正面加分、负面减分。和不用评论、不用好友关系的基线相比，Top-10 召回率从 47.01% 升到 56.59%，Top-1 从 13.37% 升到 16.37%。把好友扩到好友的好友，效果基本不变，预测速度从每秒 55.56 次降到 7.32 次。论文只和这一个自建基线比较。
08 3.55
RAG 的各个环节，包括向量模型、切块、检索、重排、查询改写、上下文压缩和智能体校验，通常各自单独评测。LASAGNA 在 8 个基准、5K 到 200K 文档的语料上跑了 450 组配置，测这些单项收益组合之后还剩多少。三个单独最强的检索技术，按各自提升相加预计 NDCG@10 +47%，组合后实际只有 +17%；提升检索的组件和提升答案忠实度的组件也不是同一批。小语料上领先的方案，到 200K 文档时 NDCG@10 落后 13.7%，排名从 25K 文档起就翻转。
10 3.40
这是一篇框架性论文，没有新模型，也没有实验数字。作者主张智能体的外部记忆要按“是否让后续动作变好”来评，而不只看能否召回旧事实。文中按三个维度给记忆分类：状态存在哪里（上下文、外部库、模型参数等），以什么形式存（情景记录、语义知识、操作流程），用什么策略写入和修改。评测上建议测干扰下的保持、环境变化后的适应和跨任务迁移，并用“保留记忆”和“每次重置”两组对照，把记忆带来的收益和单纯加长上下文区分开。
Alibaba
USTC📖 深度解读 · 20 分钟 →
Duke University
Renmin University of China
已录用 NeurIPS 2026
Meituan