深度解读

深度解读 · 第 2 页

共 769 篇 · 按日期新到旧 · 每页 30 篇 · 第 2 / 26 页

查找解读请用站内搜索。

2026-11-12 11

个性化推荐

Exploiting Feature-invariant Scaling Laws for Efficient A/B Experimentation in Recommendation Systems

推荐模型加一个新特征或改一处结构,小规模实验说没用,全量训练后却可能有用。Meta 的作者在一个 LLM 推荐模型上就碰到过:给提示加上电影类型,小规模时 HR@10 变差,全量时明显变好。他们发现,不管改动是好是坏,模型的验证损失随训练规模的变化都服从同一种幂律,只是系数不同。

系统与索引

Bursts That Outlast Themselves: Persistent Degradation in Prefix-Cached Agent Serving

给 agent 做推理服务,全靠前缀缓存撑着:命中时每轮只补算新增的内容,没命中就要把几万 token 的上下文整段重算。作者发现这会让服务掉进一个出不来的坏状态。同样的基础流量,只多来几分钟突发请求,vLLM 的缓存命中率就跌到 10% 左右,吞吐减半,突发过去后积压还在涨。

2026-11-11 15

个性化推荐

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

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==。

个性化推荐

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

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%。

具身智能

Learn the Task, Not the Schedule: Reducing Spurious Cross-Arm Coupling in Bimanual Imitation Learning

双臂机器人的示教里,两只手谁先动往往只是操作员的习惯,模仿学习却分不清哪些先后是任务要求、哪些只是碰巧,于是一只手被暂停时,另一只手也跟着等。作者查了四个公开双臂数据集,可以换顺序的任务里极少录到多种顺序,多采同样顺序的数据也解决不了。

2026-11-10 4

个性化推荐

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

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。

生成式推荐

Generative Search and Recommendation at 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。