02 4.45
推荐系统往往把用户口味做成没法查看、也没法改的隐向量,人想加一句兴趣或压掉一条兴趣,常常使不上力。Meta 上线的 CLEAR 加了一层可编辑的自然语言兴趣:每条兴趣能回溯到用户自己的历史,并直接作为检索、排序和曝光控制的服务地址。新声明的兴趣即使还没有行为支撑,也能先靠主题检索进入候选。用户评审里,展示出来的兴趣约有 88.5% 被评为准确。
03 4.10
多模态推荐既想从稀疏交互里学好多粒度表示,又常靠对比学习把各模态对齐,后者可能把模态特有的信息压掉。这项工作建议先退一步:用大模型在训练前直接生成粗细两档原始特征,作为对原有物品特征的补充,而不是用生成结果把原文案和图像换掉。随后用中间融合的图卷积网络,加上动态的跨模态权重校正来捕捉跨模态信号,而不是先把各模态拧成同一个方向。
04 3.85
JD.com
用大模型读商品文案来估计促销定价的增量效应时,标题里可能已经写上「清仓」这类透露处理决定的字,模型会走捷径,到真正要决策、文案还没带上这些词时就失效。LULR 把大模型编码器冻住,只在因果头的共享表示上加一项互信息惩罚,压低表示和处理变量的依赖。在百万级工业定价随机实验上,离线指标在五个随机种子里有四个更好,但差异并不显著,策略价值也几乎打平。另一次为期一周的线上对照里,完整上线的定价策略销量比对照组高 5.45%,GMV 高 1.91%。这是整套策略的短期业务结果,并不能单独记在这个正则项上。对要把商品文案送进 uplift 模型的人来说,先防处理泄漏,比多喂一段文本更要紧。
05 3.25
International Hellenic University
National and Kapodistrian University of Athens
电商里要对齐不同目录中的同一件商品,标题常夹杂促销语、格式混乱,还有大量看起来很像、其实是不同品牌的近形货。这篇评测比较了词法、语义、混合检索和生成式校验四类零样本级联,并公开了带跨语言噪声和密集品牌碰撞的真实数据 RETAILERS。没有一种结构在所有数据上都最好:词法检索在短标题上更快更省内存,语义检索更擅长措辞变化,但会把同品牌近形货也拉得很近。在更嘈杂的 RETAILERS-D 上,混合检索再接远程 GPT 校验的 F1 达到 0.666,大约比本地 Gemma 快 34 倍;cross-encoder 更适合作默认匹配器,大模型更适合对准确率更苛刻或规模更小的场景。对要做商品归并的人来说,先按数据噪声和时延预算选级联,而不是默认上最重的生成式校验。
06 3.25
已录用 KDD 2027NNTU Singapore
China Agricultural University
Meituan
一个商圈里新开一个点位,会改变整个区域的广告或经营回报,但常见预测只盯单店或一条时间序列,并不建模周边点位的竞争,也分不清假如没开业的走向和开业带来的增量。UrbanROI 用用户请求、空间邻近和请求级商业信号建区域图,并构造处理图和对照图,分别对应进入后和未进入的状态。去掉区域图或因果分解后,预测都会变差。在北京、上海、深圳、杭州、广州五座城市的真实数据上,它在各项误差上都优于最强基线;在半合成的效应恢复里,效应符号准确率从只看时间信息的 71.2% 提高到 85.0%。对区域投放和商户入驻决策来说,要把点位进入当成一次干预,而不是再拟合一条更准的曲线。
07 3.25
NNTT
大模型写完一封邮件或一段文本后,用户常常还会再提修改。如果能在用户开口前猜到这些请求,就能少一轮审查,但真实对话里有些修改会带上上文完全没有的新信息,例如新的姓名、约束或目的,本身就很难预判。这项工作用 WildChat 真实日志做成评测,并加上决策模型门控:先过滤不太可能猜对的情况,再把建议展示给用户。训练后的门控在一个阈值下,已展示的五条建议里至少命中一条的比例提高 12 到 25 个百分点,并且对训练时没用过的模型预测同样有效。不该在每次回复后都把修改建议推到用户面前。对要在对话里做修改推荐的人来说,先决定何时展示,比一味提高猜中率更实际。
08 3.15
Tsinghua University
卷积、注意力和状态空间模型通常被当成一整块机制来改,改效率或改对称性时,往往要把信息怎么走、特征怎么交互一起推倒重来。这项工作把它们写成位置路由和特征代数上的双线性乘积,于是可以固定原来的信息通路,只更换特征之间怎么交互。在 Vision Mamba 上换成结构常数代数后,中间状态不再做成很大的矩阵,训练和推理大约加快 3 倍,CIFAR-10 准确率仍有 86.350%,接近原来的 86.818%。在线性注意力上,同样参数量下准确率也有提高;换成三维旋转的表示代数,还能从构造上保证旋转等变。对要改网络结构的人来说,特征代数本身就是一个可调的设计变量,不必先重做位置路由。
09 3.10
Politecnico di Bari
Universidad Autónoma de Madrid
Wideverse
听音乐时情绪会在一次会话里连续漂,但推荐仍多用静态画像和离线训练,也很难服务没有历史、不能当场重训的匿名访客。这个网页系统用浏览器蓝牙直接接上消费级脑电头带,把额区α不对称和唤醒指数映射到效价-唤醒平面,再用情感适配器按实时坐标,给图网络和序列 Transformer 等不同骨干统一打分。匿名访客只需先选几首喜欢的歌,不必建用户表;没有头带时,也可以在平面上拖动光标,查看排序如何随坐标变化。在本地测试中,接上适配器的 ACE 和 SASRec 一轮耗时都明显低于脑电 8 赫兹流所要求的 125 毫秒时限,避免排队积压。信号只在会话内存里处理,用完即删,不当成临床情绪诊断。
10 3.00
家庭血压远程监测已经铺到国家项目,但设备和随访人力有限,收益也不可能对每个患者都一样。新加坡的高血压远程监测项目对登记的一万六千多名患者做了倾向评分匹配:六个月血压控制率整体提高 5 个百分点,基线尚未控制的患者提高 12 个百分点。再做个体 uplift 估计后,获益更大的人往往基线血压分级更高、确诊更近、用药和诊断负担更低;按预测增量排序,排在前面的人实现收益也更大。用这些特征写成的简单规则,在基线未控制亚组上甚至超过了所有学习模型。对要把有限护理名额用在更可能受益的人身上,这是一条可以写成入组标准的线索,不过估计还不够精确,也还没有完全消除混杂。