2026-11-11 周三 · 个性化推荐

今日场景今天这条赛道的论文都在回答同一个问题:用户的信息该在系统的哪一步、以什么形式用上。SepLRM 把长序列编码从各个排序模型里拆出来共用,Wayfair 在搜索广告里同时按候选商品和 query 从长期历史中找行为。Airbnb 的封面图实验显示,先按搜索意图收窄候选比单纯推高点击率更能带来预订。UAPM 把还没定论的行为解读留在用户画像之外,等后续证据再下结论。Meta 的 Your Algorithm 让用户用自己的话说想看什么,并把这些偏好接进从召回到设备端的整条链路。 — 评分 47 篇,入选 10 篇,分数 3.15 – 4.40

本期目录 · 10 篇
  1. 01SepLRM: A Foundation Model Paradigm for Recommendation
  2. 02Proactive Dimension-Adaptive Denoising for Graph Collaborative Filtering via Representation Coherence
  3. 03OptiCover: A Scalable and Multi-Surface Framework for Cold-Start Visual Optimization under Semantic Constraints
  4. 04Query- and Candidate-Aware Long User Sequence Modeling for Sponsored Product Ranking in Search
  5. 05Slim Foundation Models for Latency-Critical Recommendation Serving
  6. 06CHO-Bench: How Do Context Hints Affect Ad Rankings in LLM Advertising?
  7. 07Not Yet in the Profile: Uncertainty-Aware Dynamic User Profiling by Learning from Future Interactions
  8. 08Your Algorithm: Giving People More Ways to Personalize Facebook Recommendations
  9. 09An Adaptive, Context-Aware, and Stacked Attention Network-Based Recommendation System to Capture Users' Temporal Preference
  10. 10UCB-min: Combining Bandits Under Variance Heterogeneity (Extended Version)
LEAD STORY · 今日必读

SepLRM: A Foundation Model Paradigm for Recommendation

推荐平台上,不同阶段和业务的大模型各自把同一份用户长序列编码一遍,模型越多、序列越长,这笔重复开销越不划算。已有的共享做法传给下游的多是打分或压缩后的用户表示,细节已经丢了。字节的 SepLRM 让一个基础模型统一跑 encoder,把每条行为的最终表示存成 KV cache,下游模型用自己的候选和上下文构造 query 去查它。

相关 5新颖 4实用 4证据 5时效 4
4.40
综合分 / 5
偏好调整 4.45
Di Chen, Xijun Xiao, Qin Ren, Weijiang Lai, Zhijian Pan, Zhentao Pan, Pengfei Nie 等 26 人 · 2026-11-07 · arXiv

今日其余入选

9 篇 · 按综合排名
02 4.35

Proactive Dimension-Adaptive Denoising for Graph Collaborative Filtering via Representation Coherence

📖 深度解读 · 18 分钟 →

隐式反馈里混着误点和冲动购买,现有去噪方法几乎都靠训练损失找噪声,可损失要等模型被带偏才变大,还受训练阶段和负采样干扰。网易的 NDL 加了一个不看预测结果的信号:算这条交互的表示和该用户历史交互平均表示的余弦相似度,偏得越远越可疑,这个信号不用等模型预测出错就能给出。活跃用户主要信这个信号,历史太少的冷启动用户退回训练损失。

Wenjun Li, Dong Zhao, Jiaying Shi, Juan Zhang, Zhaoming Pan, Zhimin Zhang
arXiv·2026-11-10·Relevance 4 · Novelty 4 · Practical 5 · Evidence 4 · Timely 5
03 4.20

OptiCover: A Scalable and Multi-Surface Framework for Cold-Start Visual Optimization under Semantic Constraints

已录用 CIKM 2026 Workshop📖 深度解读 · 16 分钟 →

Airbnb 想替房东挑封面图,难点有两个:超过 90% 的房源照片从没当过封面,没有点击数据可学,最吸引点击的图又可能拍的是附近景点,并不代表房源本身。作者先用几类间接线索筛出候选图,用 VLM 对照房源描述核对照片,再按预测 CTR 选图,首页 CTR 提高 1.5%。更有意思的是搜索页的两组实验。

Guillaume Guy, Mihajlo Grbovic, Joe Mills, Selen Uguroglu, Liwei He, Pratiksha Kadam, Nalini Kartha 等 8 人
arXiv·2026-11-09·Relevance 4 · Novelty 3 · Practical 5 · Evidence 5 · Timely 5
04 4.15

Query- and Candidate-Aware Long User Sequence Modeling for Sponsored Product Ranking in Search

已录用 RecSys 2026 Workshop📖 深度解读 · 15 分钟 →

搜索广告排序用长期行为时,常见做法是拿候选商品去历史里找相似行为,可这样会漏掉和当前 query 高度相关、却和候选关系不大的历史。Wayfair 在最近行为之外,从长期历史里按候选和按 query 各检索一批行为,再连同 query 和候选两个上下文 token 一起送进 Transformer。离线看,两路检索合起来的 AUC 增益高于任何单路,说明它们找到的历史互相补充。

Dongyue Xie, Sergey Kolbin, Manavender Malgireddy, Iurii Shcherbak, Weixing Tang, Arushi Jain 等 10 人
arXiv·2026-11-10·Relevance 5 · Novelty 3 · Practical 4 · Evidence 4 · Timely 5
05 4.05

Slim Foundation Models for Latency-Critical Recommendation Serving

把大模型放进 CTR 在线链路太贵,现有方法大多把大模型输出离线算好存起来,算力只是挪到了离线,物品或特征库一变还得重算。SlimFM 想让大模型直接在线跑,先对 LLaMA3 做结构化剪枝,按依赖关系成组砍掉最不重要的参数,共砍掉 44%。再用 LoRA 微调,让模型给每个特征字段(比如 MovieID)产出一个 embedding,字段之间的相似度用来给 CTR 模型的特征交叉重新加权。在 FM 上,剪枝后的平均 AUC 仍有完整模型的 99.77%,推理比现有大模型增强方法最多快 3.4 倍。准确率上它没有明显领先,在不到一半的模型和数据集组合里拿到几种同类方法中的最高 AUC,它的主要价值在延迟。想在线用语义特征的团队多了一条省去离线重算的路,目前证据来自四个公开数据集。

Danyal Aftab, Anas Zafar, Assadig Abakr, Steven Davy
arXiv·2026-11-07·Relevance 5 · Novelty 3 · Practical 4 · Evidence 4 · Timely 4
06 3.85

CHO-Bench: How Do Context Hints Affect Ad Rankings in LLM Advertising?

ChatGPT Ads 允许广告主写自然语言提示,说明产品是什么、适合谁、什么时候用,这些提示用于广告排序,和展示给用户的广告卡片分开,可该怎么写一直不清楚。作者按营销学框架拆成七种写法,再加一种全部混合,做了超过 119 万次有提示和无提示的成对比较。加提示平均能让广告前进 0.56 到 1.16 位,但七种写法差别很小,全部混合也没有稳定占优。按排名提升看,差别出现在排序器上:embedding 排序器偏向描述使用场景的提示,LLM 排序器偏向描述目标人群的提示,哪种写法占优取决于排序器和评价指标。提示条数增加一般还能提升排名,但边际收益递减。实验里只有被测广告加了提示,用的也是离线排序器,竞品都写提示后的效果还要另看。

Shiqi Zhang, Yang Fei, Xiaokui Xiao
arXiv·2026-11-10·Relevance 4 · Novelty 3 · Practical 4 · Evidence 4 · Timely 5
07 3.75

Not Yet in the Profile: Uncertainty-Aware Dynamic User Profiling by Learning from Future Interactions

用大模型维护用户画像时,新行为常常有多种解读:奇幻迷给一本奇幻绘画教程打了 3 分,可能是对奇幻腻了,也可能只是不喜欢绘画教程。现有方法只能马上写进画像或丢掉,写错了就持续误导后面的预测。UAPM 在画像之外加两块下游模型读不到的存储,一块暂存还没定论的解读和证据,一块按用户记录需要多少证据才下结论。训练时,看得到用户未来行为的教师模型指导学生模型的每步决策,部署时学生只用当前信息。同样的画像长度下,它比最好的基线最多提升 5%,去掉任一块存储几乎所有指标都变差。暂存内容很少直接转进画像,主要作为后续修改画像的证据。待定解读单独存放值得借鉴,代价是维护画像要多花 token。

Jieyong Kim, Neil Shah, Dong Wang
arXiv·2026-11-10·Relevance 4 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
08 3.65

Your Algorithm: Giving People More Ways to Personalize Facebook Recommendations

Facebook 的推荐长期靠隐式行为学习,变化慢,也抓不住细微偏好。Your Algorithm 让用户用自己的话写想看和不想看什么,难点在于让这句话真的改变推荐,又不让新兴趣刷屏。每个想看的兴趣都有四路专门召回,没有专门召回,新兴趣的内容可能根本进不了排序。候选通过相关性检查后在后期排序里获得加权,再由重排控制间隔和每日上限,新兴趣的额外权重也只给一段时间。不想看的兴趣分层拦截:排序阶段用 embedding 比较来过滤,排完由微调过的 LLM 再审一遍列表,设备端丢掉已缓存的匹配内容。团队发现,把小模型微调成只输出该删的条目,比通用模型逐条判断更快也更可靠。显式偏好要改从召回到设备端的整条链路,只在排序上加权不够。

技术博客·2026-11-10·Relevance 4 · Novelty 3 · Practical 4 · Evidence 2 · Timely 5
09 3.25

An Adaptive, Context-Aware, and Stacked Attention Network-Based Recommendation System to Capture Users' Temporal Preference

用户口味会随时间变,基于 RNN 的序列模型又容易只盯着最近几次行为、丢掉长期兴趣。这篇 2023 年发表在 TKDE 的论文用两个注意力模块处理这件事。第一个用用户 embedding 给最近一个时间窗口内的物品打权重,汇总成当前上下文。第二个把用户 embedding 投影到多个空间,每个空间代表口味的一个方面,由当前上下文决定各方面的权重。论文报告 HR@10 相对最强基线提升 3.25%,但提升很不均匀,Pinterest 上只比 SASRec 高 0.32%。消融实验说明结构要按数据调:多堆几层影响不大,加位置编码在 Pinterest 上反而略差。评测时测试物品只和随机抽样的负样本比排名,拿这些数字和全库排序的结果对照时要记住这一点。

Jung-Hsien Chiang, Chung-Yao Ma, Chi-Shiang Wang, Pei-Yi Hao
arXiv·2026-11-10·Relevance 4 · Novelty 2 · Practical 3 · Evidence 3 · Timely 5
10 3.15

UCB-min: Combining Bandits Under Variance Heterogeneity (Extended Version)

多目标推荐把相关性、成员分歧这些指标加权成一个奖励后,不同候选的方差可能差很多,于是 UCB1 这类不看方差的探索和 UCB-V 这类看方差的探索,谁好要看数据,而方差情况事先又不知道。UCB-min 的做法很简单:每一轮给每个候选算两种探索加分,取小的那个。每个候选各选各的,方差小的多半用看方差的那种加分,方差大的多半退回不看方差的那种。在 MovieLens 群组推荐上,方差大,UCB-V2 过度探索,累积遗憾 406,UCB-min 跟着 UCB1 停在 233。在方差小的 Steam 上,它又跟上了 UCB-V2。不用预先知道方差情况,也不用归一化奖励,只多算一个加分。需要留意,实验主要使用的 UCB-minV2 目前没有理论保证,Steam 上 UCB1-Tuned 的遗憾也更低。做线上探索时,这是一个改动很小的默认选项。

Lilia Izri, Benoit Groz, Silviu Maniu
arXiv·2026-11-10·Relevance 3 · Novelty 3 · Practical 4 · Evidence 3 · Timely 5

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 8 个项目
MADEVAL/FerryAINative AI inference for PHP 8.3+ - run ONNX, GGUF (llama.cpp) and RubixML models directly in your PHP process via FFI. Chat, streaming, embeddings, RAG and vector search. No Python, no HTTP microservices, no Docker sidecars.PHP · ★ 47 · 2026-07-04 · GitHubjunjianpan95/deep-research-agentSelf-evolving multi-agent deep research on LangGraph: draft-first diffusion-style denoising plus red-team adversarial feedback loop.Jupyter Notebook · ★ 12 · 2026-11-07 · GitHubhchyhchyxh/air6-modemSoftBank Air 6 (软银 Air6 / A775) P54 modem band unlocking research: 12 LTE + 13 NR bands (25 target entries). Authorization-free unsigned experiment; CA unsupported.Python · ★ 13 · 2026-11-08 · 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 · ★ 6897 · 2026-08-24 · HuggingFacedeepseek-ai/DeepSeek-V4.1-Flash-1017pipeline: image-text-to-text; tags: transformers, safetensors, deepseek_v41, text-generation, image-text-to-text, conversational, license:mit, eval-resultsmodel · ★ 5466 · 2026-10-17 · 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 · ★ 1852 · 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 · HuggingFace