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
- 01Generative Search and Recommendation at Shopify
- 02Rethinking Latent Reasoning for Generative Recommendation: Beyond Teacher-Generated CoT and Recurrent Hidden-State Feedback
- 03CascadeRec: Deployed Adaptive LLM Compute Allocation for Multi-Tenant Content Recommendation
- 04SteerGR: Steering Generative Recommendation via Sparse Autoencoders for Controllable Game Discovery
- 05Memory-Aware Multi-Agent Architecture with LLM-based Orchestration for Conversational Recommendation
LEAD STORY · 今日必读 ·
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。
今日其余入选
4 篇 · 按综合排名
02 4.00
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。
03 4.00
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。
04 3.65
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。
05 3.65
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。
其他赛道今日
点击切换
开源雷达
GitHub / HuggingFace 热门 · 7 个项目Atarilab/motiondiscoResearch code for MotionDisco (to be presented at CoRL 2026)ernie-research/ERNIE-Evolve-ResultsResearch artifacts produced with ERNIE Evolveinternlm/Sage-SciPerceptiontags: scientific-perception, multimodal, projector, pytorch, chemistry, biology, materials-science, time-seriesQwen/Qwen3.8-Flash-Nextpipeline: image-text-to-text; tags: transformers, safetensors, qwen4_exp, image-text-to-text, conversational, license:other, eval-results, endpoints_compatiblemoonshotai/Kimi-K3.1-Propipeline: image-text-to-text; tags: transformers, safetensors, kimi_k31, text-generation, compressed-tensors, conversational, image-text-to-text, custom_codeQwen/Qwen3.8-2.4T-A95Bpipeline: text-generation; tags: transformers, safetensors, qwen3_5_moe_text, text-generation, conversational, license:other, eval-results, endpoints_compatibleQwen/Qwen3.8-27B-FP8pipeline: image-text-to-text; tags: transformers, safetensors, qwen3_5, image-text-to-text, conversational, base_model:Qwen/Qwen3.8-27B, base_model:quantized:Qwen/Qwen3.8-27B, license:apache-2.0