2026-11-10 周二 · 个性化推荐

今日场景今天个性化赛道在已发布的快手电商全屏排序之外,又补进两篇新露出来的论文:一篇讨论冷启动广告里人物模拟该写什么信号,另一篇讨论只改解释顺序的个性化。 — 评分 25 篇,入选 6 篇,分数 3.35 – 4.45

本期目录 · 6 篇
  1. 01STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop
  2. 02SAGE-PAIR: Source-Pretrained Routed Residual Adaptation for Sparse-Feedback Recommendation
  3. 03Not Your Diary, Just Your Topic: Grading the Wrong-User Control
  4. 04What Matters for LLM Persona Simulation: Signal Form in Cold-Start E-Commerce Advertising
  5. 05PAGSL: Path-Augmenting Graph Structure Learning for explainable scholar recommendation
  6. 06Learning from How Users Interpret: Personalizing Recommendation Explanation Order
LEAD STORY · 今日必读 · Kuaishou

STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop

在全屏、往下划就换下一件的电商推荐流里,会不会买和会不会继续往下划这两个排序目标会互相打架。快手电商的数据显示,用户下单后 61.3% 的情况会直接离开,不再往下划。按常规方式打标签,这些成交样本在下划目标里全成了负样本,模型学到的下划分数反过来压低了好卖的商品。作者把下单后离开的样本从下划目标的负样本里剔除。排序也不再逐屏挑当前分最高的商品,而是给接下来几件商品的不同排列打分:每件商品的购买分数乘上用户还会划到它的概率,加总后选总分最高的排列。只在全屏流里加上这种往后看的排序,线上购买就涨了 2.10%。做沉浸式信息流的团队,值得先查一遍多个目标之间的标签冲突。

相关 4新颖 4实用 5证据 5时效 5
4.45
综合分 / 5
偏好调整 4.55
Boyang Xia, Ruilin Bao, Hanjun Jiang, Jun Wang, Wenwu Ou · 2026-05-28 · DOI

今日其余入选

5 篇 · 按综合排名
02 4.20

SAGE-PAIR: Source-Pretrained Routed Residual Adaptation for Sparse-Feedback Recommendation

📖 深度解读 · 13 分钟 →

推荐系统切到新的服务窗口时,目标反馈往往很少,不够重新训练已经上线的模型。这篇论文冻结原模型,只加一项残差:物品特征是源时段点击率和点赞率(两维),专家基是同一平面里的少量锚点;软路由按用户源时段行为画像给这些锚点加权,再与物品特征做内积后加到原分数上。新窗口的有限反馈只更新这些残差参数。在锁死的 KuaiSAR-v2 测试划分上,完整方法把 NDCG@10 相对提高了 1.77%。

Weiqing Zeng, Zida Yang, Guquan You, Jiexin Zheng, Cong Wang
arXiv·2026-11-06·Relevance 5 · Novelty 4 · Practical 4 · Evidence 3 · Timely 4
03 3.75

Not Your Diary, Just Your Topic: Grading the Wrong-User Control

用别人的历史替换用户自己的历史再看准确率掉多少,是常见做法,可这也会改掉话题,下降未必说明系统认出了这个人。在 LaMP-2 新闻分类上,用户自己的历史比完全不用历史高出 2.3 个百分点。若只留每篇文章的类别标签、去掉正文,标签就能再现自己历史和随机用户历史之间差距的 86%。合成历史从其他用户里挑出文本上最接近目标用户资料的文章来拼接。当这种合成历史还要求每个位置的类别标签与原历史同一位置一致时,用户自己的历史相对它的优势降到 0.9 个百分点。在未见过的用户上,用户自己的历史相对相似用户历史的优势只有 0.65 个百分点,证据还不充分。测个性化时应看未见过的用户,并拿内容相近历史作对照。

Karina Romanova, Igor Kiselev, Vladimir Platonov, Viliana Devbunova, Gregory Leleytner 等 8 人
arXiv·2026-11-06·Relevance 4 · Novelty 3 · Practical 4 · Evidence 4 · Timely 4
04 3.50

What Matters for LLM Persona Simulation: Signal Form in Cold-Start E-Commerce Advertising

已录用 RecSys 2026 Workshop

广告活动上线前没有历史日志,很难估计冷启动效果。用大模型按人群模拟用户反应时,真正起作用的往往是提示里写了什么信号,而不是把人物写得尽量丰富。作者在真实的 Google Ads 电商活动上,看了五个按人口统计划分的用户群体。方法只提供基本人口信息作锚点,不用一堆容易添噪的额外属性。提示里会说明:即使用户觉得商品相关,也常会跳过横幅广告,而不是把具体点击率数字写进去。各组广告预测点击量与真实点击量之间的平均绝对误差是 24.9 次点击,比最好的非大模型基线低 51.3%,也比把显式点击率当作锚点的大模型配置低 77.3%。更短的人口描述比更丰满的人设误差更低。

Jiwoo Choi, In Ik Lee, Woo Sung Seo, Minho Lee, Yun Young Choi
arXiv·2026-11-09·Relevance 4 · Novelty 3 · Practical 3 · Evidence 3 · Timely 5
05 3.45

PAGSL: Path-Augmenting Graph Structure Learning for explainable scholar recommendation

给学者做推荐时,解释常常又浅又不够个性化,图里连接特别多的节点还会把解释带偏。这篇工作把每位学者和其研究属性做成子图,给共享同一属性的学者补上按属性类型区分的边,再抽出用户到候选学者之间的关系路径来打分;随后掩码压掉分数较低的路径,给出更短、更有信息量的解释。在 Scholat、AMiner 和 ResearchGate 三个学术数据集上,推荐的 F1 相对最强基线提高了 6.31%,准确率提高了 6.29%。消融表明,异构卷积和路径表示学习都对效果有贡献。

Jiale Xu, Mingshu Ai, Junjie Huang, Tao Jia
arXiv·2026-11-06·Relevance 3 · Novelty 3 · Practical 4 · Evidence 4 · Timely 4
06 3.35

Learning from How Users Interpret: Personalizing Recommendation Explanation Order

解释的措辞不变、只改句子顺序,读者能不能更好地理解推荐理由?这篇研究发现可以。在 122 人的被试内实验里,作者先让每人写出对推荐理由的开放式解读,再从这些文本里归纳此人挑过什么信息、觉得什么更突出、怎样组织关系,并汇总成一份固定档案。再把与档案里更突出、更常被选中的信息相对应的句子排到前面。读者读到按自己档案排好的句子后,客观理解正确率达到 86.5%;读到按另一个人档案排好的同一组句子时只有 66.0%;由大模型根据该读者自己的档案来排序时是 73.0%。推荐是否被接受,没有稳定的总体差异。

Deo Munduku, Elsa Negre
arXiv·2026-11-05·Relevance 3 · Novelty 3 · Practical 4 · Evidence 3 · Timely 4

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 8 个项目
tomascupr/dgx-station-recipesDGX Station GB300 serving recipes: Garner McCloud's DeepSeek-V4.1-Flash and GLM-5.3-Flash (native FP8), each with an RTX PRO 6000 expert sidecarPython · ★ 12 · 2026-11-05 · GitHubmenghugroup/lagent基于 DeepSeek Harness 的插件化 Windows 桌面端,增加许愿功能,可以增删改自身功能、界面并编译出新的版本。JavaScript · ★ 11 · 2026-11-04 · GitHubLtamann/ComfyUI-TBG-RevealLayerComfyUi Node for Layered Decomposition – RevealLayer: Disentangling Hidden and Visible Layers via Occlusion-Aware Image Decomposition. RevealLayer is a diffusion-based AI framework developed by **360 AI Research**, in collaboration with Wenzhou University. It decomposes a single RGB image into multiple independent RGBA layers.Python · ★ 9 · 2026-11-07 · GitHubinternlm/Sage-SciPerceptiontags: scientific-perception, multimodal, projector, pytorch, chemistry, biology, materials-science, time-seriesmodel · ★ 10 · 2026-11-06 · HuggingFaceQwen/Qwen3.8-Flash-Nextpipeline: image-text-to-text; tags: transformers, safetensors, qwen4_exp, image-text-to-text, conversational, license:other, eval-results, endpoints_compatiblemodel · ★ 6882 · 2026-08-24 · HuggingFacemoonshotai/Kimi-K3.1-Propipeline: image-text-to-text; tags: transformers, safetensors, kimi_k31, text-generation, compressed-tensors, conversational, image-text-to-text, custom_codemodel · ★ 1798 · 2026-11-02 · HuggingFaceQwen/Qwen3.8-2.4T-A95Bpipeline: text-generation; tags: transformers, safetensors, qwen3_5_moe_text, text-generation, conversational, license:other, eval-results, endpoints_compatiblemodel · ★ 1381 · 2026-08-08 · HuggingFaceQwen/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-2.0model · ★ 978 · 2026-08-13 · HuggingFace