Weekly Top 10 · 第46周

2026-11-09 ~ 11-15 · 生成式推荐

生成式推荐 · 个性化推荐 · AI 搜索 · 系统与索引 · 具身智能

  1. 1. Generative Search and Recommendation at Shopify · 📖 深度解读

    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。强化学习还能继续提高人工评判的搜索相关性。从任务专家蒸馏,则能在不明显损伤搜索的前提下提高推荐…

    出现于日报:11-10

  2. 2. RedMall: Generative Recommendation for Large-Scale E-commerce · 📖 深度解读

    生成式召回生成的是 Semantic ID(SID),但多件商品可能共享同一个 SID,最后取哪几件会直接影响线上收益。RedMall 是用在电商推荐和广告召回上的生成式模型,除了改模型结构和训练目标,比如把曝光了却没点的商品当负样本,还专门处理了这一步。上线时,同一个 SID 下的每件商品都算一个分数,以过去每千次曝光带来的成交额为主、订单数为辅加权得到,然后只保留分数靠前的一批…

    出现于日报:11-09

  3. 3. TS-GEAR: Taobao Shangou GEnerative Ad Retrieval · 📖 深度解读

    外卖搜索里,送不到用户当前位置的商家不是排得低,而是根本不能出现。常见的 SID 只由内容和协同信号生成,最多把位置当软信号,于是送不到的商家要等生成完才被过滤,白白占掉 beam,这一步也进不了端到端训练。淘宝闪购的 TS-GEAR 把位置写进商家 ID:前三个 token 来自地理网格编码,后三个才是内容语义,解码时前两个 token 直接限定在用户所在格子和周围八格…

    出现于日报:11-11

  4. 4. Not All Branches Are Equal: Adaptive Semantic ID Construction for Generative Recommendation · 📖 深度解读

    生成式推荐用 SID 给商品编号,主流做法是残差量化:每一层用一张全局编码表,把上一层没表达完的部分再查一次表,这等于默认每个 token 自带独立含义。作者在 Amazon Beauty 上检查 RQ-VAE 产出的 ID,发现两件商品只有第一个 token 相同时,平均余弦相似度是 0.740;第一个不同、后三个全相同时只有 0.582,和随机抽两件差不多。后面的 token 离开前缀就没有稳定含义,SID 其实是树上的一条路径…

    出现于日报:11-11

  5. 5. Rethinking Latent Reasoning for Generative Recommendation: Beyond Teacher-Generated CoT and Recurrent Hidden-State Feedback · 📖 深度解读

    生成式推荐若要在中间做潜在推理,通常得先让老师模型写出思维链,成本高,也不容易稳定。这篇论文不再生成老师轨迹,而是先用固定的稀疏编码器把历史商品描述编成可缓存的词汇特征,再把同一用户见过的商品特征汇总成一个多热语义目标;训练时用浅层线性头,让插在历史和目标商品编码之间的推理 token 的隐状态去预测这个目标。这些目标只依赖历史上见过的商品,不会偷看下一个要预测的物品…

    出现于日报:11-10

  6. 6. IntentLens: Grounding Underspecified Multimodal Queries for Recommendation via Tool-Augmented Reasoning · 📖 深度解读

    在智能眼镜这类设备上,用户常常只给一张图和一句模糊的话,风格、预算和店铺条件都没说出口。现有推荐要么靠历史行为,要么假设请求已经写清楚,直接算 query 和候选的相似度很容易排错。比如对着咖啡馆的一道菜,想找感觉类似但更实惠的午饭。IntentLens 在排序前加了一步:多模态大模型调用看图和查用户历史的工具,把模糊请求改写成清楚的文字 query,候选也补上评论、价格等信息,再由轻量双塔打分…

    出现于日报:11-11

  7. 7. RecGroupMemory: Feedback-Aware Cohort Memory for E-Commerce Recommendation · 📖 深度解读

    用大模型规划推荐流程时,如果希望它参考某类人群过去表现的记忆,就有一个难题:第二天有了新的成交反馈,建议要改,但人群定义、观察窗口和统计数字这些记录不能被模型顺手改掉。RecGroupMemory 把记忆拆成两层,一层是只读的观测记录,一层是画像和建议,前一天的反馈只允许改后一层,改完还要校验观测记录没变,不通过就保留原记录。在电商平台购买力较低、由业务方选定的用户上做线上对比,只加人群记忆的一组…

    出现于日报:11-09

  8. 8. LEGIT: Live Eligibility Gating over Identifier Tries for Constrained Decoding of Heterogeneous Pages

    Uber Eats 的生成式搜索要一次 decode 写完一整页店铺和菜品,每个 token 都得保证店铺真实、送得到、没重复,菜品也属于上面那家店。这些规则随请求和已写内容不断变化,商品库上的 trie 只管 ID 真实,作者试过的语法约束解码又做不到既准又快。作者比了几十种实现,最直接的 GPU 版每个 token 慢到无约束解码的约 5 倍,而 GPU 计算单元最多只有 5.42% 的时间在工作…

    出现于日报:11-11

  9. 9. RoutingTrie: Metadata Routing for Constrained Generative Retrieval · 📖 深度解读

    生成式检索常要带条件,比如只要某家店的商品,而 trie 只能保证生成的 SID 真实存在,管不了店铺、国家这些条件。常见做法是生成完再过滤,可 beam 早被别家店的候选占满,过滤后可能剩不下几个。RoutingTrie 把过滤提前到每一步 beam 选择之前:给 SID trie 的每条边记下它下面出现过哪些店铺、国家等取值,解码时先屏蔽到不了目标取值的分支。取值少的字段存位图,店铺 ID 这种取值上百万的字段存排序列表…

    出现于日报:11-11

  10. 10. CascadeRec: Deployed Adaptive LLM Compute Allocation for Multi-Tenant Content Recommendation · 📖 深度解读

    用大模型做推荐重排很诱人,但每个请求都跑昂贵模型既贵,对历史很短的用户还常常降低质量。这篇部署在大型财务规划软件里的工作先用轻量模型处理全部请求,再由路由器按用户历史长短等分段特征,只把更可能受益的请求升级到更贵的第二层,比如更大的模型或多路推理。线上对照实验跑了一个多月,相比一律使用贵的那一层,推理成本大约降低 10%,延迟影响很小,也没有观察到质量回退…

    出现于日报:11-10

‹ 上一周 · 下一周 ›