2026-11-10 周二 · 生成式推荐

今日场景今天生成式赛道保留已发布的对话记忆架构,并补上几篇新露出来的工作。其中有 Shopify 用 Semantic ID 同时做搜索和推荐的一线报告,不必请老师写思维链的潜在推理,按请求分配大模型重排算力的级联系统,以及用稀疏自编码器按玩法概念去干预生成式推荐的方法。 — 评分 23 篇,入选 5 篇,分数 3.65 – 4.65

本期目录 · 5 篇
  1. 01Generative Search and Recommendation at Shopify
  2. 02Rethinking Latent Reasoning for Generative Recommendation: Beyond Teacher-Generated CoT and Recurrent Hidden-State Feedback
  3. 03CascadeRec: Deployed Adaptive LLM Compute Allocation for Multi-Tenant Content Recommendation
  4. 04SteerGR: Steering Generative Recommendation via Sparse Autoencoders for Controllable Game Discovery
  5. 05Memory-Aware Multi-Agent Architecture with LLM-based Orchestration for Conversational Recommendation
LEAD STORY · 今日必读 · Shopify

Generative Search and Recommendation at Shopify

在商品目录不断变化、规模达到数十亿的电商里,搜索和推荐都要在很严的延迟约束下找回相关商品。这篇来自 Shopify 的报告把两件事都写成生成 Semantic ID:用内容得到的短 token 序列表示一件商品,并在目录数据和行为数据上联合预训练,让搜索和推荐共享表示与训练目标。强化学习还能继续提高人工评判的搜索相关性。从任务专家蒸馏,则能在不明显损伤搜索的前提下提高推荐。

相关 5新颖 4实用 5证据 5时效 4
4.65
综合分 / 5
偏好调整 4.90
Juhana Kangaspunta, Khalil Hajji, Darshan Fofadiya, Kyumin Park, Michael Garner 等 11 人 · 2026-11-05 · arXiv

今日其余入选

4 篇 · 按综合排名
02 4.00

Rethinking Latent Reasoning for Generative Recommendation: Beyond Teacher-Generated CoT and Recurrent Hidden-State Feedback

📖 深度解读 · 10 分钟 →

生成式推荐若要在中间做潜在推理,通常得先让老师模型写出思维链,成本高,也不容易稳定。这篇论文不再生成老师轨迹,而是先用固定的稀疏编码器把历史商品描述编成可缓存的词汇特征,再把同一用户见过的商品特征汇总成一个多热语义目标;训练时用浅层线性头,让插在历史和目标商品编码之间的推理 token 的隐状态去预测这个目标。这些目标只依赖历史上见过的商品,不会偷看下一个要预测的物品。

Yiwen Chen, Fuwei Zhang, Zehao Chen, Deqing Wang, Hehan Li, Peizhi Xu, Hanmeng Liu, Shuanglong Li 等 11 人
arXiv·2026-11-06·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 4
03 4.00

CascadeRec: Deployed Adaptive LLM Compute Allocation for Multi-Tenant Content Recommendation

📖 深度解读 · 11 分钟 →

用大模型做推荐重排很诱人,但每个请求都跑昂贵模型既贵,对历史很短的用户还常常降低质量。这篇部署在大型财务规划软件里的工作先用轻量模型处理全部请求,再由路由器按用户历史长短等分段特征,只把更可能受益的请求升级到更贵的第二层,比如更大的模型或多路推理。线上对照实验跑了一个多月,相比一律使用贵的那一层,推理成本大约降低 10%,延迟影响很小,也没有观察到质量回退。

Kai Zhao, Guilin Zhang, Xiang Cheng, Xiquan Cui, Henry Heng, Xu Chu, Alet Blanken
arXiv·2026-11-09·Relevance 4 · Novelty 3 · Practical 5 · Evidence 4 · Timely 4
04 3.65

SteerGR: Steering Generative Recommendation via Sparse Autoencoders for Controllable Game Discovery

生成式推荐可以根据用户历史写出下一个物品的标识,但很难按人能读懂的概念去推动或抑制某一类结果,而且还不能重训模型。这篇面向游戏发现的工作先用大模型定义玩法概念,再在推荐模型隐状态上训练稀疏自编码器,找出既和概念相关、干预后又真能改变推荐的特征,最后在推理时放大或压低这些特征。在两个工业生成式推荐模型上,放大选定特征后,Atomic ID 模型的目标概念占比平均提高 113.6%,Semantic ID 模型提高 24.6%。按干预效果选特征,比只选和概念最相关的特征更有效。

Sunkyung Lee, Xiaokai Wei, Da Long, Hyunsik Jeon, Jiajun Wu, Rithwik Seth, Jongwuk Lee 等 9 人
arXiv·2026-11-05·Relevance 4 · Novelty 4 · Practical 3 · Evidence 3 · Timely 4
05 3.65

Memory-Aware Multi-Agent Architecture with LLM-based Orchestration for Conversational Recommendation

对话式推荐里,系统检索到了用户想要的商品,不等于用户看到了它。作者用 Amazon 评论数据和模拟用户做测试:模拟用户心里有一件目标商品,但不能直接说出名字,只能边聊边透露需求;系统每轮检索一批候选,只展示前 3 件。到对话结束时,目标商品在 74.75% 的会话里已被检索出来,真正摆到用户面前的只有 62.63%,差距卡在从候选里挑哪几件展示。系统本身是几个大模型 agent 分工:一个负责调度,需求含糊时先追问,再把用户以往会话里的偏好带进检索。和单轮直接推荐相比,这套追问加记忆让模拟用户的接受率高了 28.9 个百分点。评估对话推荐时,展示环节值得单独看。

Emilly Pitman de Castro, Vanessa Silva, Gustavo Kanno, Marcus Santos, Bruno Ferraz do Amaral 等 21 人
arXiv·2026-11-05·Relevance 4 · Novelty 4 · Practical 3 · Evidence 3 · Timely 4

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 7 个项目