Weekly Top 10 · 第47周

2026-11-16 ~ 11-22 · 个性化推荐

生成式推荐 · 个性化推荐 · AI 搜索 · 系统与索引 · 具身智能

  1. 1. When Does a Recommendation Spark Curiosity? Theory, Measurement, and Field Evidence · 📖 深度解读

    推荐常说要帮用户跳出信息茧房,但用户的好奇一直没有能直接算的定义。现有的意外度、求新这类指标只看物品离用户口味有多远。设想两个离口味一样远的视频:和第一个相似的内容用户看过很多,和第二个相似的从没碰过。按距离打分两者一样,可好奇需要半懂不懂,只有第一个会让用户意识到自己还缺点什么。作者把心理学的信息缺口理论写成五条公理,推出一个只靠消费记录就能算的好奇度,问卷里它和用户自报的好奇对得上…

    出现于日报:11-16

  2. 2. Serving-Aligned Entire-Space Conversion Modeling via Click-Through Rate Knowledge Distillation · 📖 深度解读

    排序时常把点击率和转化率两个预估乘起来,得到「点了又买」的概率。很多转化模型用 ESMM 训练:它内部自带一个辅助的点击率塔,和转化塔一起训,上线时却只部署转化塔,再和线上另一个单独训练的点击率模型相乘。问题在于,转化塔训练时配合的是辅助塔的点击率,上线后乘的却是线上模型的点击率,两者对不上,乘出来的分数就偏了。Reddit 的作者不动线上点击率模型,只用日志里记下的线上点击率分数去蒸馏 ESMM 的辅助塔…

    出现于日报:11-16

  3. 3. RACE: Ranking-Uncertainty Aware Capacity-Adaptive Customization for Efficient Sequential Recommendation · 📖 深度解读

    端侧做序列推荐时,模型压缩常常用同一套比例对待所有请求,兴趣简单的浪费算力,兴趣复杂的又不够用。现有剪枝或分解方法多半先给模型和输入定死一个尺寸,很难跟着这次行为序列的难度调整容量。作者用模型对当前排序结果稳不稳来估计这次有多难,再据此决定保留多少通道、截掉多长历史。以 SASRec 为骨干,在常用数据上平均来看,排序质量指标 NDCG 比未压缩的原模型提高 40.87%,计算量同时减半还多。换更紧或更松的推理预算时,也不用重新训练…

    出现于日报:11-17

  4. 4. Measuring, Revealing and Mitigating Harmful Content Propagation in Recommender Systems · 📖 深度解读

    推荐系统追着用户兴趣走,很少有人问它推的内容是否有害。作者随机抽了 BERT4Rec 生成的 100 个推荐列表,发现近一半的物品带有性别歧视、虚假信息或冒犯性语言。他们让 LLM 给三个新闻和广告数据集的内容标出有害或健康并写理由,再由人工复核。数据显示,三个数据集里都有超过一半的内容被标为有害,而且有害内容平均拿到的互动比健康内容多。主流模型照着互动学,推出的列表里健康内容大多不到一半…

    出现于日报:11-16

  5. 5. Sheaf-Inspired Structured Scoring Extensions of LightGCN for Collaborative Filtering

    图协同过滤在用户和物品图上传播完 embedding 后,LightGCN 最后一步只做内积打分。作者借数学里层论的想法,在不改图传播的前提下,把打分换成先对用户和物品 embedding 做一次随这对用户和物品变化的线性变换再比较,试了对角、秩一和满矩阵三种变换,并拿参数量相同的 MLP 打分器做对照。在 Amazon-Book、Gowalla、MovieLens-1M 和 Yelp2018 四个数据集上…

    出现于日报:11-16

  6. 6. KuaiRecV2: Benchmarking Large-Scale Continual Learning for Diversified and Multi-task Recommendation

    推荐模型离线评测好看、上线却不灵,一个原因是离线数据太静态,候选池不变,也不考核多样性和多种行为。快手的 KuaiRecV2 用真实数据把这几件事放进同一个基准。它收了 12.4 万用户连续 30 天的行为,候选视频池每天先进先出地更新,模型要像线上一样每天接着训。评测同时看召回准确率、多样性和点赞、长播等多种行为,只有所有指标一起变好才算一次有效进步…

    出现于日报:11-16

  7. 7. Learning nonlinear interactions and cross-feature couplings with product-unit residual networks

    表格模型要预测由多个因素交叉决定的结果时,普通多层感知机往往把交叉关系埋在隐层里,误差不一定差,但很难判断它是不是抓住了真正起作用的组合。推荐里常用的 FM 和交叉网络也是在显式做特征相乘,这篇把乘积运算写进残差块,并用复数权重同时表示幅度和相位,让优化更稳。在经典的 Friedman 函数上,均方根误差比普通多层感知机低 53.9%。交互图里有 60.7% 的强度集中在那个已知的成对关系上,普通网络只有 31.0%…

    出现于日报:11-17

‹ 上一周