2026-03-23 周一 · Personalization

独立报告页 · 在站内浏览（含往期切换）→

今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 4 篇，入选 4 篇，分数 3.00 – 4.45

本期目录 · 4 篇

01SORT: A Systematically Optimized Ranking Transformer for Industrial-scale Recommenders
02Not All Candidates are Created Equal: A Heterogeneity-Aware Approach to Pre-ranking in Recommender Systems
03Modeling Stage-wise Evolution of User Interests for News Recommendation
04DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation

LEAD STORY · 今日必读 ·

Alibaba

SORT: A Systematically Optimized Ranking Transformer for Industrial-scale Recommenders

SORT 提出系统性优化的排序 Transformer，解决了 Transformer 在工业级排序模型中落地的关键瓶颈。通过 request-centric 样本组织、local attention、query pruning 和生成式预训练四大优化，实现了 22% 的 MFU 效率。在电商场景中取得订单量 +6.35%、买家数 +5.97%、GMV +5.47% 的显著提升，同时延迟降低 44.67%，吞吐提升 121.33%。

📖 深度解读 · 13 分钟 arXiv ↗

4.45

综合分 / 5
偏好调整 4.45

KEY INSIGHT · 对业务意味着什么SORT 的核心创新在于将 Transformer 的训练和推理效率同时优化到工业可用水平。request-centric 样本组织将同一请求下的候选打包训练，避免跨请求噪声；local attention 将注意力限制在请求内部，大幅降低计算复杂度；query pruning 在推理时裁剪低价值 token。这套组合拳使排序模型在保持质量的同时实现延迟减半、吞吐翻倍，为搜索排序系统的 Transformer 化提供了可落地的范式。

Chunqi Wang, Bingchao Wu, Taotian Pang, Jiahao Wang, Jie Yang, Jia Liu, Hao Zhang, Hai Zhu... · 2026-03-04 · arXiv

独立页面阅读 ↗

1. 问题与动机

SORT 的出发点不是“把一个语言模型缩小后用于推荐”，而是反过来问：为什么在 LLM 上表现出规模化优势的 Transformer，到了工业推荐排序场景却很难直接发挥作用。论文把差异归结为两个结构性问题。第一，推荐系统要处理用户、商品、店铺和上下文等大规模离散特征，商品词表可以达到十亿级，稀疏 embedding 表非常容易过拟合；第二，推荐标签密度很低，用户历史主要是输入而不是逐 token 的监督，真正有标签的通常只有候选商品的点击、加购或购买，而且非点击样本占绝大多数。也就是说，模型需要用极大的参数空间去拟合稀疏的二值反馈，长历史反而会带来计算浪费和噪声。

论文还指出，传统 DIN、DeepFM、DCN 等模型擅长手工特征交互，但主要依赖向量级操作和低维矩阵乘法，不能充分利用现代加速器的并行算力，也难以统一处理动态行为序列、用户画像和候选集合。HSTU 等生成式推荐模型已经证明“把排序看成序列预测”有扩展潜力，但工业排序仍然存在请求内候选重复计算、长历史注意力平方复杂度、稀疏 ID 训练不稳定等问题。SORT 因而选择在 Transformer 框架上系统重做样本组织、注意力、稀疏 embedding、预训练目标和训练基础设施，而不是只添加一个新模块。

这项工作的重要性在于它有完整的生产闭环：训练数据来自工业推荐日志，模型同时预测点击、加购和购买三类行为，实验既报告离线 AUC 和消融，也报告 AliExpress 多场景线上 A/B。论文最后说明 SORT 已经全量服务 AliExpress 用户，因此它关注的并非单一公开数据集上的百分点，而是模型容量、吞吐、时延和业务收益能否同时成立。

2. 方法详解

2.1 请求中心的数据组织

传统 impression-centric 样本会把同一个请求的用户历史和画像复制 N 次，分别与 N 个候选 item 组成样本。SORT 将一个请求 r 表示为 S=〈H,U,C〉：H 是按时间排列的用户行为序列，U 是静态用户属性与统计特征，C 是同一请求内的候选集合。每个候选还携带商品元数据、统计特征和 user-item 交叉特征。这样，用户侧上下文只编码一次，候选 token 共享同一个请求上下文，避免候选数量增长时重复处理用户历史。

2.2 Token、注意力与候选隔离

模型为用户历史中的每个行为 item 和候选 item 生成一个 token；用户画像映射为多个 token。原始离散特征先做 embedding lookup，拼接后经过线性投影和归一化映射到 Transformer 维度。输入序列为 [BOS; Tokenize(H); SEP; Tokenize(U); SEP; Tokenize(C)]。BOS 和两个 SEP 不只是分隔符，也作为位置边界和 attention sink，帮助模型识别历史、画像、候选三类区域。

候选 token 使用相同的位置 ID，并通过对角 mask 保证每个候选只看自己和之前的历史、画像 token，不直接看其他候选，避免候选间相互泄漏。注意力中加入 RoPE、QKNorm 和 attention gate：QKNorm 对 query/key 做 RMSNorm，降低注意力 logits 的波动；gate 在 scaled dot-product 后重新控制信息流。对长用户历史，绝大多数历史 token 使用局部注意力，窗口为 W 时复杂度从 O(L²) 降到 O(WL)。此外，query pruning 在每层删除远离候选的 query，到顶层最多保留 128 个非候选 token，既明显降算力，也形成了“越靠近候选越精细”的时间衰减归纳偏置。

2.3 多目标排序头、稀疏 MoE 与预训练

候选 token 经过一个带 ReLU 隐层的 FFN 和 sigmoid 输出层，分别预测 click、cart、purchase 三个概率，训练损失是三个二元交叉熵的加权和。FFN 使用 DeepSeek-style sparse MoE，每个 token 只激活少量专家，最终实验在总专家数的 1/8 激活比例上效果最好。相比 Switch-style MoE，DeepSeek-style 路由不需要额外调 auxiliary load-balancing loss，训练更容易稳定。

为缓解 item ID 的高稀疏性，SORT 不使用显式 user ID，而是用用户行为序列和画像描述用户；item embedding 则采用生成式预训练。先用 next-item 目标提升标签密度，再把预训练 sparse embedding 迁移到排序模型并冻结。论文对“只迁移”和“迁移+冻结”做了对比：只迁移会轻微退化，而冻结后可以多轮训练且不过拟合，说明稀疏表更适合作为稳定的语义/记忆底座，而不是和排序目标一起快速漂移。

2.4 训练和推理基础设施

系统构建在 RecIS 上，MoE 使用 Megablocks。稀疏模块的瓶颈是 I/O 和内存访问，作者设计 MPGC，在多个 process group 间调度 embedding 流量来隐藏通信延迟；密集模块的瓶颈是复杂 sparse mask 下的计算，作者实现 block-wise sparse attention operator，预加载 mask，跳过完全被 mask 的 block，并结合 BF16、梯度累积和算子融合。训练采用 AdamW，β=(0.9,0.99)，weight decay=0.01，小/基座/大模型学习率分别为 5e-4、2e-4、1e-4，batch size=12K，默认训练一 epoch、最长历史 1K，ranking head 和 MoE router 保持 FP32，其余使用 BF16。不同规模模型使用 4–32 张 A100，训练 1–10 天。

3. 核心技术贡献

第一，SORT 把推荐样本从“一个候选一个样本”变为请求中心的候选集合，避免重复编码用户侧信息。这一改变使 Transformer 的注意力真正面向一次请求的排序决策，而不是面对一堆相互独立的 impression。

第二，作者将局部注意力、候选隔离和 query pruning 组合起来解决长历史成本。局部窗口限制远端历史的全连接访问，候选 mask 确保每个候选独立打分，逐层剪枝将计算集中到和候选更相关的历史。实验中，基座序列长度 1K 时 local attention 将 FLOPs 从 43G 降到约 40G；更长序列时收益更明显，且剪枝有时比不剪枝更好，说明它不是单纯的近似，而是对行为时间衰减的结构化先验。

第三，生成式预训练和 sparse freeze 解决了低标签密度与稀疏 embedding 过拟合的组合问题。对基座 Transformer，CTR AUC 从 0.7175 提升到 0.7456，CVR AUC 从 0.8959 提升到 0.9093，AddCart AUC 从 0.8455 提升到 0.8663。这个结果说明“用 next-item 监督补充排序标签，再冻结稀疏表”比直接把预训练 embedding 放进排序训练更有效。

第四，模型结构与系统内核同步优化。MoE 增加容量但只执行少量专家，MPGC 和 sparse attention 让硬件真正吃到密集部分的算力；基座 MFU 从未优化时的 13% 提升到 22%，大模型达到 45%，推理相对未优化版本吞吐提升 29.4%、延迟下降 29.3%。

4. 实验结果分析

4.1 数据规模与主要对比

项目	论文设置/结果
训练集	0.6B requests，50M users，9B impressions
测试集	20M requests，4M users，0.3B impressions
多目标	CTR、CVR、AddCart 三个 AUC 任务
训练硬件	4–32 张 A100，batch 12K，BF16
大模型效果	CTR-AUC 比 Transformer 高 +0.51pt，FLOPs 188G 对 322G
线上 A/B	orders +7.47%，buyers +6.67%，GMV +8.65%
serving	latency -61%，throughput +589%，已部署 AliExpress

在 base scale 的对比中，标准 Transformer 的 CTR/CVR/AddCart AUC 是 0.7456/0.9093/0.8663；HSTU 为 0.7438/0.9070/0.8644，反而略低；OneTrans 为 0.7476/0.9103/0.8677。加入 special token 后，CTR AUC 进一步到 0.7489，说明看似简单的序列边界符对稀疏推荐 token 很有帮助。SORT 的优势不是某一个孤立数字，而是随着 small、base、large 三种规模扩大仍保持优势，同时大模型需要更少 FLOPs。

4.2 预训练与消融

稀疏预训练的消融最清楚地揭示了训练策略：scratch Transformer 的 CTR/CVR/AddCart 为 0.7175/0.8959/0.8455，只做 sparse transfer 下降至 0.7162/0.8943/0.8449；transfer+freeze 则达到 0.7456/0.9093/0.8663。也就是说，冻结不是实现细节，而是让预训练稀疏表免受排序任务稀疏标签牵引的关键机制。

结构消融显示，special token 让 CTR-AUC 增加 +0.33pt，query pruning 增加 +0.26pt；attention gate、QKNorm、local attention 和 MoE 均有收益。局部窗口在 64、128、256 中以 256 最佳，过小的窗口失去长期依赖，过大的窗口增加计算。MoE 激活比例比较 1/2、1/4、1/8，1/8 最优；稀疏并不等于盲目少算，而是要保留足够的专家容量与稳定路由。

4.3 线上解释与失败边界

线上业务结果非常强，但不能把全部收益简单归因于 Transformer。SORT 同时改变了数据组织、预训练、注意力和基础设施，因此 A/B 证明的是完整系统方案的业务价值。论文还显示大模型训练需要 1–10 天、4–32 张 A100，且依赖 RecIS、Megablocks、MPGC 和定制 sparse attention；这意味着小团队很难只复制模型代码就得到同等结果。另一个值得注意的结果是 local attention 在 1K 序列上只少约 3G FLOPs，却在更长序列中成为关键，说明短序列离线指标可能低估系统优化的长期价值。

5. 局限与未来方向

论文没有单列一个形式化的 Limitations 小节，但实验范围明确了几项限制。数据来自一个工业推荐系统，线上验证集中在 AliExpress 多场景；虽然作者报告了跨数据量、模型规模和序列长度的 scaling，但没有证明同一组结构在社区内容、广告或短文本搜索上无需重新调参。训练依赖 4–32 张 A100、RecIS/Megablocks 和定制通信、注意力算子，工程门槛明显高于普通 Transformer。模型还使用一个固定的一 epoch、最大 1K 历史和三类行为目标，如何处理更长、多模态、强延迟反馈或更多负向反馈，论文没有展开。

从论文呈现的范围看，未来应继续验证三点：第一，生成式预训练目标能否把 query、帖子、作者和主题等 UGC token 统一起来；第二，冻结稀疏表会不会在新内容、新用户和概念漂移下限制适应速度；第三，线上业务提升是否能在长期留存、内容多样性和作者生态指标上持续。对于社区产品，不能只追求订单式短期指标，还需要把 CTR、nDCG、作者覆盖和负反馈共同纳入多目标排序头。

6. 工业实践意义

第一步可以先做“请求中心样本”改造：把同一请求的用户历史、画像和候选批量组织起来，测量重复编码减少了多少，以及排序服务的 P50/P99 延迟如何变化。第二步再逐层引入 local attention、candidate mask 和 query pruning，先从历史序列的尾部做局部窗口，并用离线 AUC、nDCG 与线上延迟联合验收。第三步才考虑生成式预训练和 sparse freeze，因为它要求稳定的 item/token 体系、足够长的行为序列以及可复现的 next-item 训练集。

对于 UGC 短文本搜索，可把点击、停留、收藏、关注、负反馈分别作为多目标头，使用用户行为序列和帖子语义 token 组成请求级输入。内容 ID 不应完全依赖高基数 embedding，可以用主题、实体、作者和语义簇形成较稳定的中间 token；但精排输出仍需保留 exact post ID 和业务过滤。部署时要把 embedding I/O、跨卡通信、稀疏 attention kernel 和 KV cache 一起剖析，不能只看 FLOPs。

最值得避免的是直接把大语言模型的完整 dense attention 和单一 next-click 目标搬到生产排序。SORT 的证据表明，收益来自多个工程约束共同作用：标签密度增强、历史计算裁剪、候选隔离、稀疏容量扩展和硬件利用率提升。若没有大规模训练数据或定制算子，应先复现请求中心、冻结稀疏表和轻量局部注意力三个低风险组件，再决定是否投入 MoE 与专用加速器。

今日其余入选

3 篇 · 按综合排名

02 4.33

Not All Candidates are Created Equal: A Heterogeneity-Aware Approach to Pre-ranking in Recommender Systems

ByteDance📖 有深读 · 8 分钟

HAP 提出异构感知自适应预排序方法，发现预排序阶段训练数据中存在梯度冲突问题——困难样本主导训练而简单样本未被充分利用。通过将候选分为不同优化路径，对简单候选使用轻量级模型、对困难候选部署更强模型，在不增加计算开销的情况下提升预排序效果。已在今日头条生产系统部署 9 个月，并发布了工业数据集。论文被 WWW'26 接收。

INSIGHTHAP 揭示了预排序阶段一个被忽视的核心问题：候选的异构性导致统一模型存在梯度冲突。其解决方案的巧妙之处在于对候选进行难易分流，用不同复杂度的模型分别处理，在保持整体延迟不变的同时提升效果。这对搜索系统中粗排/预排序阶段的优化有直接启示：并非所有候选都需要同等复杂度的打分，分层处理可以在效率约束下获得更好的排序质量。

Pengfei Tong, Siyuan Chen, Chenwei Zhang, Bo Wang, Qi Pi, Pixun Li, Zuotao Liu

arXiv·2026-03-04·Relevance 4 · Novelty 4 · Practical 5 · Evidence 4 · Timely 3

独立页面阅读 ↗

深度解读：Not All Candidates are Created Equal (HAP)

会议: WWW'26 | 团队: 字节跳动（今日头条）| 关键词: 预排序、样本异质性、梯度冲突、自适应路由

1. 问题与动机

在多阶段推荐系统（召回→粗排→精排→重排）中，粗排（Pre-ranking） 承担着从数千候选中筛选出数百个送入精排的关键角色。粗排的训练样本来源天然具有异质性：

简单样本：全局随机负样本（GN）、粗排低分负样本（PRN）——与正样本差距大，容易区分
困难样本：曝光未点击负样本（EN）、精排截断负样本（RN）——与正样本高度相似，难以区分

现有方法（如 DSSM、COLD、COPR）将所有候选一视同仁地训练和推理，导致两个核心问题：

梯度冲突（Gradient Dominance）：困难样本产生的梯度远大于简单样本（论文证明在 InfoNCE 下，困难/简单梯度比为 $R = e^{(s_{hk} - s_{e k})}$ ，呈指数级差异），导致简单样本的学习信号被淹没，出现"跷跷板效应"——优化一类样本的同时恶化另一类。

计算浪费：对简单样本和困难样本使用同等复杂度的模型，但实验发现轻量模型在简单样本上与复杂模型表现相当，仅在困难样本上有明显差距。

这个问题在工业界非常普遍且重要——粗排的质量直接决定了精排的候选质量上界，而粗排又面临严格的延迟约束，必须在效果和效率之间精细权衡。

2. 方法概述

论文提出 HAP（Heterogeneity-Aware Adaptive Pre-ranking） 框架，核心思路是"按难度区别对待"：

训练侧：通过 梯度调和对比学习（GHCL） 缓解不同难度样本间的梯度冲突
推理侧：通过 难度感知模型路由（DAMR） 对简单候选用轻量模型、困难候选用复杂模型，实现计算预算的自适应分配

整体 pipeline：

全部候选 → 轻量模型（过滤简单样本）→ 困难候选 → 复杂模型（精细打分）→ 输出 Top-K

3. 核心技术贡献

3.1 样本异质性的形式化分析

论文首先定义了五类训练样本，并从梯度角度严格证明了异质性问题：

样本类型	来源	难度
EP（曝光正样本）	曝光且点击	正样本
EN（曝光负样本）	曝光未点击	困难
RN（精排截断负样本）	精排阶段被淘汰	困难
PRN（粗排负样本）	粗排低分候选	简单
GN（全局随机负样本）	随机采样	简单

在 BCE loss 下，梯度简化为 $σ (z_{i})$ ，困难样本天然获得更大梯度信号；在 InfoNCE loss 下，困难/简单梯度比呈指数级放大。

3.2 梯度调和对比学习（GHCL）

核心创新：将负样本按难度分组，分别计算 InfoNCE loss，而非混合在同一个 softmax 中。

困难组 $N_{ha r d}$ ：EN + RN
简单组 $N_{e a sy}$ ：PRN + GN

分别计算对比损失后，梯度比被一个修正因子 $C$ 压缩：
$R_{G H C L} = R_{ORG} \cdot C, C = \frac{e ^{s_{p}} + \sum _{j \in N_{e a sy}} e ^{s_{j}^{-}}}{e ^{s_{p}} + \sum _{j \in N_{ha r d}} e ^{s_{j}^{-}}} < 1$
这保证了 $R_{G H C L} < R_{ORG}$ ，有效缓解梯度主导问题，同时避免了完全分离训练导致的信息孤岛。

3.3 难度感知模型路由（DAMR）

两阶段推理架构：

轻量模型（3 层浅网络）：处理所有候选，使用全类型负样本训练，过滤掉简单样本
复杂模型（深层 + Attention + 多塔）：仅处理轻量模型留下的困难候选，仅用困难负样本（EN+RN）训练

总损失函数：
$L_{t o t a l} = L_{l i g h t} + L_{co m pl e x} + α \cdot L_{g l o ba l}$
其中 $L_{g l o ba l}$ 是全局 BCE loss，处理无点击请求的情况。

关键洞察：这不是简单的级联过滤，而是让两个模型各自专精于不同难度的候选——轻量模型是"通才"，复杂模型是"专家"。

4. 实验结果分析

离线实验

在自建的 ToutiaoRec 数据集（7000万请求、3.13亿样本）上与 DSSM、COLD、COPR、HCCP 对比：

测试集	HCCP (AUC)	HAP (AUC)	提升
T_EN（曝光负样本）	0.7244	0.7377	+1.3pp
T_Hard（困难聚合）	0.7917	0.8023	+1.1pp
T_Easy（简单聚合）	0.9441	0.9468	+0.3pp

核心发现：HAP 在困难样本上提升显著（这是粗排最需要提升的部分），同时在简单样本上不退化。

消融实验

去掉 GHCL：AUC 明显下降，梯度方向的 cosine similarity 降低，验证了梯度冲突的存在
去掉 DAMR：统一用大模型，效果不如两阶段路由，且计算开销增加 6%
跷跷板效应验证：单独用某一类负样本训练，某些测试集提升但其他测试集恶化

在线 A/B 实验（今日头条，部署 9 个月）

指标	提升
用户活跃天数	+0.05%
App 使用时长	+0.4%
CTR	+3.0%
CPU 消耗	-6%
延迟	持平

在头条这个量级（数亿用户）下，0.05% 活跃天数和 0.4% 时长是非常显著的业务收益，且没有增加额外计算成本，反而降低了 6% CPU。

5. 局限与未来方向

局限

数据集单一：离线实验仅在自建的 ToutiaoRec 上进行，缺乏公开数据集的可比性验证。虽然作者承诺开源数据集，但在论文发表时这仍是局限。

路由阈值的确定：轻量模型过滤多少、留多少给复杂模型，论文未详细讨论这个阈值的自动化调优方法，实际部署中可能需要大量实验调参。

样本类型的泛化性：五类样本的定义强依赖于多阶段推荐系统的架构。对于非标准 pipeline（如端到端系统），框架的适用性有待验证。

GHCL 的分组策略：当前按来源硬编码为"困难/简单"两组。样本难度实际是连续谱，更细粒度的自适应分组可能进一步提升效果。

未来方向

动态路由：基于候选特征实时决定路由到哪个模型，而非简单的分数阈值截断
多级级联：扩展到 2 级以上的多级路由，匹配更细粒度的难度层次
跨阶段联合优化：将粗排的异质性感知思想扩展到召回-粗排-精排的全链路联合训练
自适应样本比例：动态调整各类负样本的采样比例，而非固定权重

6. 工业实践意义

直接可借鉴的设计

样本异质性是被忽视的系统性问题。工业推荐系统的粗排训练普遍混合多来源样本，HAP 给出了从理论到工程的完整解决路径。在搜索广告场景中同样存在类似问题（竞价胜出未点击 vs 未参与竞价的广告）。

"难度路由"的性价比思路。不需要全部候选都用最强模型，用轻量模型处理简单候选、用重型模型处理困难候选，这个思路可以推广到：

- 搜索系统的粗排/L1 排序
- 广告系统的 eCPM 预估
- 任何有严格延迟约束但候选量大的场景

梯度冲突的诊断方法论。论文提供的梯度分析框架（inter-set cosine similarity、intra-set gradient norm）可以直接用于诊断现有系统是否存在类似问题。

工程细节值得关注：

- List-wise 样本存储：通过共享特征引用，单次请求存储减少 60%
- 40 分钟反馈窗口 + 异步延迟行为回填：平衡实时性与标签完整性
- 3000 CPU、12 小时、1000 万步的训练配置，给出了工业级规模参考

效果-效率帕累托改进。在头条 9 个月的线上验证表明，HAP 实现了罕见的"效果提升 + 成本降低"双赢，这在工业系统中极为珍贵。

适用场景判断

如果你的系统满足以下条件，HAP 的思路值得尝试：

多阶段漏斗架构（召回→粗排→精排）
粗排候选量在千级以上
训练样本来自多个阶段的混合反馈
粗排有严格的延迟/算力约束

03 3.15

Modeling Stage-wise Evolution of User Interests for News Recommendation

提出统一框架结合全局偏好建模（基于整体交互图）与局部偏好建模（基于阶段性时间子图捕捉短期动态），使用 LSTM 和自注意力机制跟踪用户兴趣演化。在新闻推荐场景中验证了阶段式兴趣建模的有效性。论文被 WWW2026 接收。

INSIGHT该方法的核心贡献在于将用户兴趣演化建模为多阶段过程，而非简单的长短期分离。通过在交互图上构建时间子图，能够捕捉到兴趣从一个阶段向另一个阶段过渡的模式。对 UGC 社区搜索的启示：用户的搜索兴趣同样存在阶段性变化（如从浏览探索到聚焦特定话题），阶段性建模可能优于简单的时间衰减方案。

Zhiyong Cheng, Yike Jin, Zhijie Zhang, Huilin Chen, Zhangling Duan, Meng Wang

arXiv·2026-03-11·Relevance 3 · Novelty 3 · Practical 3 · Evidence 3 · Timely 3

04 3.00

DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation

提出 DisenReason 两阶段方法解决共享账户序列推荐问题。第一阶段从频域角度进行行为解耦，创建集体化统一账户行为表示；第二阶段通过隐用户推理识别不同用户的行为模式。在四个数据集上实现 MRR@5 提升最高 12.56%、Recall@20 提升 6.06%。

INSIGHT频域行为解耦是该方法的主要创新——在频率空间中分离不同用户的行为模式，比时域方法更鲁棒。对于 UGC 社区场景中存在多人共用设备搜索的情况（如家庭共用平板），频域解耦方法提供了一种新的用户意图分离思路，可用于提升搜索个性化准确度。

Jiawei Cheng, Min Gao, Zongwei Wang, Xiaofei Zhu, Zhiyi Liu, Wentao Li, Wei Li, Huan Wu

arXiv·2026-03-04·Relevance 2 · Novelty 3 · Practical 3 · Evidence 4 · Timely 3

其他赛道今日

点击切换

Generative

生成式推荐 · 篇入选 AI Search

AI 搜索 · 篇入选 Agentic

智能体搜索 · 篇入选 Infra

系统与索引 · 篇入选