02 4.40
CTR 模型的输入端有三种常见删减，即丢掉质量差的训练样本、关掉没用的特征、剪掉 embedding 里没用的维度，以往的方法一次只做其中一种。深圳大学等单位的这篇论文指出，三者其实是同一个动作，都是给同一个 embedding 张量乘一个掩码，只是粒度不同。它们还互相牵连，一个特征被整个关掉之后，它内部的维度怎么剪都不再起作用。在 Avazu 上用 DNN（多层全连接网络），单独做任何一种选择只把 AUC 提高约 0.001；把三种放进一个模型一起学，并加惩罚让各层决定互相配合后，AUC 从 0.7893 提到 0.7930。以样本和特征这一层为例，惩罚把每个特征 embedding 到样本平均 embedding 的余弦距离按特征门控加权求和，再乘以样本权重，高权重样本若给离群特征开大门控就会被重罚。
03 4.30
广告系统里，用最近几小时的新数据给 CTR 模型做一次校准，通常被当成只赚不赔的例行步骤。这篇论文在 Avazu 十天的广告日志上逐天检验后发现，用前 6 小时数据拟合的校准器，约三分之一的时候反而让校准误差变大，最坏的一次翻了一倍。把拟合窗口拉长到前 12 小时，这种伤害基本消失。作者再从这段时间里均匀抽样，把样本量压到和只用 1 小时数据时一样少，效果几乎和用满整段一样，明显好于真正只看最近 1 小时。所以决定校准效果的是数据覆盖了多长时间，而不是有多少条。
04 4.10
两件物品经常被同一批人消费，不一定说明口味相近。安特卫普大学的这篇论文证明，即使每个用户完全独立、随机地挑物品，只要用户之间活跃度差别大，提升度、余弦、Pearson 这些常用指标也会显示物品两两正相关，作者称之为幻影相关。在 MovieLens-1M 上，81% 的物品对的共现次数落在只考虑用户活跃度的模型预测值的两倍以内，而假设人人一样活跃的独立模型只有 35%。所以算物品相似度之前，应先扣掉活跃度带来的基线，真正的口味信号在偏离基线的那部分里。
05 4.10
会话推荐有个反常现象，会话越长、信息越多，下一次点击反而预测得越差，GRU、图网络、Transformer 编码器都是如此。悉尼科技大学等单位的这篇论文把原因归到解码阶段，常见解码器偏重最近几次点击，早先但相关的点击被淹没。MIDA 换掉解码器，在原始物品 embedding 上按相似度把会话聚成几簇兴趣，稳定兴趣是会话里各次点击的加权和，所在簇越大的点击权重越高。再把各簇的平均大小送进一个门控，得到一个比例，混合最近一次点击和稳定兴趣。平均簇越大说明兴趣越集中，稳定兴趣占比越高。它可以接在任何编码器后面。会话越长收益越大：以 GCE-GNN 为编码器时，Yoochoose 上 Recall@5 的提升从短会话的 0.85% 升到 16 次以上点击会话的 3.43%。代价是训练明显变慢。
06 4.10
EASE 这类线性推荐模型的物品×物品权重矩阵里，其实已经藏着主题。清迈大学的这篇论文证明，如果用户行为符合潜在因子模型，取这张矩阵的前 K 个特征向量，就得到 K 个主题张成的空间。作者据此做出 TEA，同一个模型既给出推荐，也直接读出主题。六个数据集上，它的主题质量显著好于 LDA，推荐效果与最好的方法持平。
07 4.00
余弦相似度、条件概率这些物品相似度多是经验公式，说不清为什么好用、该怎么改。安特卫普大学的这篇论文把基于邻居的协同过滤当成朴素贝叶斯分类来推导，得到两种新的相似度，并发现关键在于把交互矩阵里的 0 当成“没见过”而不是“不喜欢”。按多项分布建模的版本，在 Amazon Books 上 Recall@10 为 0.221，比余弦 kNN 的 0.170 高约三成，拟合时间只有 EASE 的 4%；在 MIND 新闻数据上几乎追平 EASE，但在 ML25M 电影数据上不如余弦 kNN。
08 4.00
已录用 KDD 2026UUniversity of GeorgiaEEducation University of Hong KongUUniversity of Science and Technology of ChinaHHong Kong Polytechnic University在序列推荐里，把物品文本 embedding 和 ID embedding 简单拼在一起或放进同一个编码器，会把作用不同的信号搅在一起。这篇论文把预测下一个物品所用的信息拆成三部分，即文本和协同行为都包含的共享部分、只有文本有的部分、只有协同行为有的部分。RIDRec 为三部分各学一个表示：用对比学习让文本和行为两边的表示对齐，用正交约束让两个独有表示既不与共享表示重叠、彼此也不重叠。三个表示各自预测下一个物品，再由一个门控根据当前序列给三者分配权重。作者在 Amazon Toys、Beauty、Sports 和 Yelp 四个公开数据集上报告它显著优于多种现有序列推荐方法，代码已开源。
09 3.85
跨域序列推荐的论文大多假设能把两个业务的原始行为数据合在一起训练，而且用户在两边都有记录；现实中数据常因业务规定隔离，很多用户只出现在一个域。Skoltech 和 Sber AI Lab 等单位的 FLADRec 只在域之间传一个固定长度的用户向量：源域模型把用户压成向量，一个轻量适配层把它映射到目标域的 embedding 空间，再直接加到目标域序列里每个物品的 embedding 上，相当于给每一步都附上同一份用户背景，融合后的序列交给 SASRec；没有源域记录的用户跳过融合，照常推荐。在一半用户重叠的大规模数据（从 QK 文章迁移到 QK 视频）上，NDCG@10 比单域 SASRec 高 24%，训练比需要合并数据的 ABXI 快 3.7 到 11.6 倍。不过在允许合并数据的设定下，它在部分数据集上仍不如 ABXI。
10 4.10
广告自动出价系统里，PID（比例-积分-微分）控制器根据花费进度不断调整出价，但同一套控制参数要服务几十万个预算、周期、流量各不相同的广告计划。Pinterest 没有让强化学习直接出价，而是每天给每个计划的比例项和积分项各选一个倍数，只能在默认值上调、下调两成或保持不变，PID 照常跑。七天的线上 A/B 中，有效点击成本 eCPC 显著下降 0.25%，收入基本不变；上线两个月后对比留出流量，距离结束还有一周以上的计划 eCPC 低了近 1%。
Alibaba
Renmin University of China
CAS
已录用 CIKM 2026
Pinterest