1. 问题与动机
零工平台（Timee，日本最大零工平台，月活用户与岗位均超过百万）的推荐链路是：worker 收藏（favorite）岗位模板（job template），当企业从该模板发布具体班次（shift）时 worker 收到通知并可申请。论文点出一个核心错配：优化中间互动指标（点击、收藏）与最终市场结果（成功匹配）并不一致。一味最大化预测收藏概率会造成"误导性集中"（misdirected concentration）——推荐持续堆积在热门但实际开班很少的模板上，而有真实用工缺口的模板曝光不足。平台真正的目标是"单轮求职成功率"（per-round job-finding rate，即某天活跃求职 worker 中成功匹配的比例），这要求曝光同时投向"高需求且有足够发布容量"的模板。该问题在被推荐对象稀缺、时效短（班次转瞬即逝）的双边市场尤为尖锐：曝光投到没有容量的热门项上是纯粹浪费，而这正是把 engagement 当代理目标的推荐系统普遍踩的坑。
2. 方法详解
TEC（thresholded eligibility control，阈值资格控制）不再按预测收藏概率对模板排序，而是按"发布活跃度（posting activity）"与"未填补容量（unfilled capacity）"重新分配模板曝光。核心是给每个模板设置动态资格阈值（eligibility threshold）：模板得分超过阈值才"有资格"获得推荐曝光，低于阈值则被过滤；在合格模板内部再进行常规推荐。阈值依据"近期劳动力需求"与"已发布岗位的填充成功率"动态调整，使推荐能响应市场变化（例如某模板近期班次屡屡填满，则收紧其继续曝光的资格，把曝光让给有缺口的模板）。机制本质是二元资格判定（高于阈值可推、低于阈值不可推），而非全局排序，也不是匹配理论式的全局最优分配。工程上 per-template 的资格判定相互独立、无需全局协调，因而"完全可并行"（fully parallelizable），这是适配月百万级用户/岗位规模的关键取舍——放弃全局最优换取可实时、可水平扩展。论文在附录给出 TEC 与对比策略（Greedy 贪心、SQ 静态配额、AQ 自适应配额）的伪代码。评估用按 Timee 真实数据校准的仿真，含五阶段：初始化（按观测分布初始化 worker 与模板）、替换（新模板/worker 进入、旧的退出）、推荐（按算法分配曝光）、收藏（worker 概率性收藏被推模板）、匹配（worker 申请已收藏模板，有容量时成交）。这套仿真把"收藏→通知→申请→匹配"的完整链路建模出来，使中间指标与最终匹配的脱节可被量化。
3. 核心技术贡献
(1) 提出"中间互动指标与市场结果错配"的问题刻画，用单轮求职成功率作为市场级目标，超越只看收藏/点击的传统范式。(2) TEC 机制用供给侧信号（未填补容量、发布活跃度）做曝光再分配，在仿真中把求职成功率从 Greedy 的 57.6% 提升到 70.0%（SQ 64.2%、AQ 69.5%）。(3) 完全可并行的工程设计：per-template 独立资格判定，可在百万级规模实时运行，无需全局优化。(4) 不止仿真，还做了真实线上的都道府县级随机实验 + DID 因果识别，给出市场级与 impression 级的多重证据，证据强度远高于一般离线推荐论文。
本文方法学上的另一价值在于把双边市场视角带进推荐评估：传统推荐默认候选供给无限，而零工/本地生活/限量电商场景下供给本身是约束，曝光分配必须感知供给侧状态。TEC 用阈值把这一约束变成可并行的局部规则，避免了匹配理论需要的全局二部图求解，这对要兼顾时延与规模的工业系统是务实折中。
4. 实验结果分析
仿真对比四种策略的单轮求职成功率：Greedy 57.6%、SQ（静态配额）64.2%、AQ（自适应配额）69.5%、TEC 70.0%。可见引入供给侧约束的配额/资格类策略全面优于贪心最大化收藏，TEC 最优，且 AQ→TEC 的边际提升说明"动态阈值"比"自适应配额"更能贴合容量。除成功率外还跟踪模板曝光分布、活跃模板集中度、活跃模板填充率（matched slots / posted capacity）。论文称结果在大范围参数与市场条件下稳健，说明提升来自市场级匹配效率而非调参。线上实验：青森县（Aomori）施加 TEC、相邻但独立劳动力市场的岩手县（Iwate）作对照，窗口 2026-01-12 至 02-11（一个月），用 DID 风格回归分析。结果：实际匹配数增加、单模板推荐曝光增加；日收藏量基本不变（说明收益不是靠多发收藏堆出来的，而是结构性改善）；分布回归 DID 显示 TEC 降低了"推荐次数极低的活跃模板日"占比、缩小零订阅模板的质量堆积。impression 级线性概率模型显示：被处理的曝光更易产生收藏、在收藏条件下也更易促成匹配；机制上 TEC 减少了对同一模板的重复曝光（多样性效应），且控制"是否有开放岗位"后收藏增益仍不衰减——排除了"只是因为有岗位才更易收藏"的混淆。延展（transition）仿真提示一个月窗口不足以体现完整效果，随收藏栈累积，订阅与填充增益会更大。
5. 局限与未来方向
作者明确的局限：(1) 一个月线上窗口可能不足以观察完整均衡——这些结果依赖收藏栈逐步累积，未必在一个月内充分显现。(2) 仿真依赖历史观测分布（岗位发布、收藏行为、申请模式），未来市场条件可能偏离。(3) 分析聚焦日本两个县，劳动力市场可能有特异性，对其他平台/地区的泛化未明确讨论。(4) impression 级分析通过协变量控制推断"推荐多样性是主驱动"，但该机制的因果识别并不直接。未来方向是更长窗口验证均衡效应、跨地区/跨平台复现，以及把阈值学习化（当前阈值是规则驱动，可考虑用容量预测模型端到端学）。 另一可挖掘方向是把资格阈值与下游匹配收益直接对齐（如用容量-需求比预测班次填充概率），让阈值从启发式走向可学习，并在多地区做交错实验以缩短均衡观察所需的时间。
6. 工业实践意义
对搜推从业者最直接的启示：当被推荐对象稀缺且时效强（岗位、限量商品、热点 UGC、本地生活到店名额），单纯最大化点击/收藏概率会制造"无效集中"——曝光堆在转化不了的热门项上。TEC 的思路是把供给侧约束（剩余容量、发布活跃度）显式纳入曝光分配，可迁移到社区平台的冷门 UGC 扶持、长尾内容流量再分配、电商限量库存的曝光控制、本地生活的库存感知推荐。其"二元资格阈值 + per-template 独立判定"的设计兼顾效果与可并行，适合大规模线上系统，无需全局最优求解，落地成本低。方法论上更值得借鉴的是评估范式：用市场级最终指标（成功匹配率/填充率）而非中间互动指标做目标，并辅以地区级随机实验 + DID 做因果验证——这套"仿真校准 + 区域随机 + 分布回归"组合是做曝光公平性/流量分配 A/B 的高质量模板。落地需注意三点：一是收藏/订阅类长链路效应需要足够长的实验窗口才能完整显现，短窗口会低估收益；二是阈值需结合自身业务的容量信号（库存、商家接单能力）定义；三是要监控日收藏等中间指标是否被牺牲（本文中基本不变是良性信号）。