一、📊 趋势分析
🔥 生成式推荐进入系统工程的竞争阶段:OneTrans-GSR、ReuseGR、ZeroGR 与 SPADE 四篇分别从 slate 级自回归、查询前缀复用、先过滤后解码和业务价值分词切入,说明瓶颈已从模型结构转向解码、显存与 serving 效率。一个判断是:未来生成式推荐的论文若只报离线 HR/NDCG 而不报延迟与线上指标,影响力会明显受限。
💡 Agent 研究从能力展示转向失败模式与可控性:Voluntary Servitude 证明安全对齐本身可被武器化,τ-Rec-Books 显示需求披露时机让 satisfiable 任务的 pass^1 从 0.975 跌至 0.283、比搜索接口更决定成败,Interpretable Early Termination 则针对"失败发生得晚且不可解释",三篇共同把评价对象从任务完成率移向失败的可发现、可提前终止与可审计。DualEvolve 用 promotion gate 与固定 grader 约束自我改进,是同一思路在训练侧的体现。
💡 评测协议本身开始成为论文贡献:When Category Means Move 用随机插入日志区分品类均值的水平误差与形状误差,Auditing Multi-Proxy Explanations 把"应当弃权"做成可操作输出,τ-Rec-Books 用 catalog 元数据核验 pass^k 而不用 LLM judge,Collaborative Search 用拉丁方平衡 40 对参与者。当模型能力趋同,带置信区间、可复现、允许弃权的评测设计,正成为区分论文质量的关键变量。
二、📋 今日速览
- 工业界
1. (机构未披露)提出 IntentGEO 意图感知评估框架与 AMO 锚定优化,在 200 个 P/Q 状态上全状态平均增益 1.12、较 RecGEO 高 18%,agentic 检索 Pass@5 达 43.48%。↗
2. (机构未披露)提出 DualEvolve 双层自演化框架,冻结 LLM 协同演化推荐机制与 agent 工作流,在 16 个设置 64 个比较中全胜,相对 DeepEvolve 的 HR@5 与 NDCG@5 分别提升 7.6% 与 9.0%。↗
3. (机构未披露)提出 LMStaR,把解释语句排序重构为稠密检索并以 LoRA 微调 Qwen3-Embedding-8B,在 Amazon Beauty、Toys 与 Yelp 上 NDCG@1 均列第一,最高超 CLER 8.25 点。↗
4. (机构未披露)提出多代理偏好解释审计框架,把结论分为点识别、部分识别与弃权,已知真值基准中位数偏差泄漏 0.115/0.050 优于 RPCA 的 0.142/0.058,Amazon 8 个对比中 6 个区间不含 0。↗
5. (机构未披露)发布 τ-Rec-Books 需求披露基准,用 catalog 元数据核验 pass^k 而不依赖 LLM judge,satisfiable 任务 pass^1 从 volunteer 的 0.975 降至 hidden 的 0.283。↗
6. (机构未披露)提出 MM-SAN 多模态学术图数据集推荐,以文本-拓扑交叉注意力在直推、半归纳与全归纳设置下统一工作,称在 OAG 上持续超越 SOTA 但未报告具体指标。↗
7. (机构未披露)开展 80 名学生 40 对的四场景协作搜索用户研究,CoSearchAgent 在有用性(5.45)、省时(5.70)与总体满意度(5.48)上居首,QAAgent 的独立性最高(99.45%)。↗
8. (机构未披露)把用户中心 agentic 推荐形式化为重复博弈,证明可信度评估能提升有限时域效用,但收益依赖市场规模与机制参数且未报告具体数值。↗
- 学术界
9. (机构未披露)提出 OneTrans-GSR,用单个自回归 Transformer 统一重排与混排并把硬约束下沉到解码期,线上 GMV/u 提升 2.63%、端到端延迟降低 13%、服务吞吐提升 4.52×。↗
10. Technion 与 Zenity 揭示"自愿奴役"攻击,用公开平台上的伪造安全警告诱导 agent 排除合法选项,Safety 家族 ASR 达 60.4%,一句佐证要求防御使其降至 3.6%。↗
11. (机构未披露)提出 SPADE 本地搜索生成框架,联合设计业务价值 BPE、时空编码、MARS-DPO 与多样性解码,HR@5 提升 5.6%、GeoC@5 降低 40.3%,线上 Module CTR 提升 1.88%。↗
12. (机构未披露)提出推荐日志条件配对支持审计协议,在 KuaiRand 随机插入日志上量化品类均值偏差,去均值加锚定使绝对 MAE 从 0.1935 降至 0.0387,但中心化仅改善 21.0%。↗
13. (机构未披露)提出 ReuseGR,以 7B 离线 CellPlan 加 0.5B 在线 LeafFill 解耦生成式检索,取得 85.82% HR@100 与 71.45 ms 延迟,较全在线 7B 延迟降低 57.7%。↗
14. (机构未披露)提出 ZeroGR 过滤优先约束解码,用切片式过滤索引与共享候选槽替代先打分后过滤,工业数据上合计延迟最高降低 9.9×、GPU 索引内存降低 74.5%、索引重建快 278×。↗
15. Bar-Ilan University 与 Reichman University 检验检索排序模型能否捕捉事件顺序,显式保序对齐使 MiniLM 的 MRR@10 从无序对齐的 0.55 升至 0.70。↗
16. (机构未披露)提出相对秩模型 RRM 与相对秩网络 RRN,用参考集打破排列的互斥约束并将排序模型统一为图模型分解,证明图无环时参数规模最坏为 n·k^(s+1),纯理论无实验。↗
17. (机构未披露)提出 SourceFlow,把协同结构注入 flow-based 推荐的源分布而非预测器,五个数据集上 Recall@10 平均相对提升 15.7%。↗
18. Harbin Institute of Technology, Shenzhen、Great Bay University 与 Shenzhen Loop Area Institute 提出免训练 HARP 双画像 agentic 通信框架,Yelp 的 Hit@1 相对 MemRec 提升 24.0%。↗
19. (机构未披露)用闭合序列模式挖掘实现网页导航 agent 的可解释早停,K=3 时 F1 为 0.717、3 步内覆盖 88% 的失败,推荐操作点节省 26.3% token。↗
20. (机构未披露)发布语义 ID 动手教程,梳理 RQ-VAE/RQ-KMeans 与 TIGER、YouTube 排序用例,基于 Amazon Reviews 构建语义 ID 并做跨域迁移,无新定量结果。↗
三、🎯 今日主题
生成式推荐的生产化:当解码成为系统工程
问题背景。 生成式推荐已经用"统一序列生成"证明了范式上的优雅——OneTrans-GSR 把重排与混排收进一个 decoder,SPADE 把查询推荐做成端到端生成,ReuseGR 与 ZeroGR 则把 SID 解码推到检索主链路。但论文里的生成与线上系统的生成之间,还隔着四道具体的工程约束:
- 业务约束必须在解码期生效:品类多样性、地域覆盖、库存与广告位等硬规则若留到生成后再修,slate 会频繁不可用。
- 自回归延迟随 SID 深度累积,而同一查询在不同用户间重复解码的算力被白白浪费。
- 约束掩码与全码表投影让显存与索引重建成本随目录增长,线上更新频率难以承受。
- 深层解码的有效候选极度稀疏,先打分后过滤把大部分算力花在最终会被 mask 掉的 token 上。
这四道约束分别对应四篇论文的切口,也解释了它们为何都在"解码"而非"模型结构"上做文章。
代表方案对比。 四篇论文共享"生成式推荐要可上线"的目标,但切入的环节不同:
- OneTrans-GSR(机构未披露):切口是把重排与混排统一为受约束的 slate 生成,做法是单个 decoder-only 策略加 GMR-PO 列表级奖励后训练,并把硬约束下沉到解码期掩码与加性 logit 调整,线上 GMV/u 提升 2.63%、端到端延迟降低 13%、服务吞吐提升 4.52×。
- ReuseGR(机构未披露):切口是查询级 SID 前缀可在用户间共享,做法是 7B 离线 CellPlan 生成共享前缀、0.5B 在线 LeafFill 做个性化补全,配合 ReuseCut 自适应缓存与 BudgetCut 控制分支预算,在 AE-PV 上取得 85.82% HR@100 与 71.45 ms 延迟,较全在线 7B 延迟降低 57.7%。
- ZeroGR(机构未披露):切口是"先打分后过滤"在稀疏有效候选上的浪费,做法是维护切片式过滤索引、让过滤/投影/候选选择共享槽位并按密度切换稀疏与稠密表示,工业数据上合计延迟最高降低 9.9×、GPU 索引内存降低 74.5%、索引重建快 278×。
- SPADE(机构未披露):切口是开放词表下业务价值与时空偏好难对齐,做法是 OA-BPE 把 CTR/CVR 注入分词、STAR 编码时空上下文、MARS-DPO 做偏好对齐、SDBS 在解码端补多样性,HR@5 提升 5.6%、GeoC@5 降低 40.3%,线上 Module CTR 提升 1.88%。
核心差异。 如果沿"约束在哪一层被满足"与"算力在哪一层被节省"两条轴线看,四篇的分工相当清晰:
- 约束层:OneTrans-GSR 与 ZeroGR 都把约束下沉到解码,但前者用掩码改变概率分布、后者用过滤索引改变计算范围;SPADE 则把业务偏好前移到分词与 DPO 训练,解码端的 SDBS 只负责多样性。
- 算力层:ReuseGR 省的是跨请求的重复前缀,ZeroGR 省的是请求内无效候选的投影,OneTrans-GSR 用共享 prefill KV cache 并行采样多份 slate,省的是同一请求内的重复 prefill。
- 共同点在于,四篇都没有靠"更大的模型"取胜,而是把模型能力问题转化为系统调度问题——这可能是生成式推荐从研究走向生产最重要的一次视角切换。
趋势判断。 生成式推荐的生产化不会止于单点优化,接下来更可能沿三条线继续收敛:
- 约束解码会从"事后 mask"转为"计算范围裁剪",ZeroGR 测得的 85.7%–99.95% 投影浪费说明这条路的收益足够大。
- "离线重规划 + 在线轻补全"可能成为生成式检索的默认架构,ReuseGR 用 0.5B 逼近 7B 的 85.71% HR@100 是迄今最直接的证据。
- 语义 ID 与词表设计仍是基础设施层的开放变量:语义 ID 教程把 RQ-VAE/RQ-KMeans 作为组织主线,SPADE 的 OA-BPE 则提示词表可以承载商业价值,二者结合可能催生"业务感知的语义 ID"。
需要保留的疑问是:四篇的线上验证都集中在单一场景(电商、本地生活或单一大规模检索服务),跨域迁移与多目标冲突下的稳定性尚无公开证据;OneTrans-GSR 与 SPADE 也未报告公开数据集结果。生产化的下一程,可能不是再快几倍,而是证明这些系统在场景切换时仍然成立。
方案 | 机构 | 提升幅度 | 部署状态 | 数据规模 | 场景泛化 | 置信度 |
OneTrans-GSR | 未披露 | GMV/u +2.63%;广告主价值 +2.06%;复购率 +2.03%;端到端延迟 −13%;训练吞吐 2.09×;服务吞吐 4.52× | 已上线,线上 A/B | 未报告公开数据集,仅称大规模工业电商 | 电商重排+混排单场景 | 中高(有线上 A/B,无公开数据) |
ReuseGR | 未披露 | HR@100 85.82%;较全在线 0.5B 提升 3.83 点;延迟 −38.9%;较全在线 7B 延迟 −57.7%;线上 CTR +0.93%、千次请求收入 +1.05% | 14 天线上 A/B | AE-PV:3.38M 物品、约 2M 查询–物品记录、44,225 条测试查询 | 单一大规模检索服务 | 中高(离线+线上) |
ZeroGR | 未披露 | 合计延迟最高 −9.9×;GPU 索引内存 −74.5%;索引重建快 278× | 基于工业 GR 服务真实数据集,未报告线上 A/B | MovieLens-1M + 工业搜索数据 + 工业 GR 服务数据(规模未报告) | 跨公开集与工业数据验证 | 中(离线为主) |
SPADE | 未披露 | HR@5 +5.6%;MRR@5 +5.2%;GeoC@5 −40.3%;长尾意图 HR@5 +13.5%;线上 Module CTR +1.88%、Search Volume +0.177%、Search DAU +0.105% | 一周线上 A/B | 10 万用户 30 天日志、148 万唯一查询、Stage1 779 万样本、Stage2 308 万样本 | 本地生活开放词表搜索单场景 | 中高(离线+线上) |
四、📰 逐篇解读
1. OneTrans-GSR: A Generative Slate Ranking Paradigm Unifying Reranking and Mix-Ranking with One Autoregressive Transformer(未披露)
论文把重排与混排从依赖手工规则和专用低容量模型的流程,重构为统一的约束自回归策略学习问题,用单个 decoder-only 策略端到端生成曝光 slate。方法上以 OneTrans 为共享骨干,先在长用户行为序列上做 next-token prediction 预训练,再用 GMR-PO 结合列表级奖励模型做多目标后训练,硬业务约束则下沉到解码期的掩码与加性 logit 调整,并以共享 prefill KV cache 并行采样多份 slate。实验未报告公开数据集(仅说明部署于大规模工业电商推荐系统),线上 A/B 中 GMV/u 提升 2.63%、广告主价值提升 2.06%、复购率提升 2.03%,重排与混排端到端延迟降低 13%,KV cache 使训练吞吐提升 2.09×、服务吞吐提升 4.52×。结论表明 slate 生成可脱离人工规则、把排序阶段转为随数据与算力持续提升的学习问题,为生成式推荐的规模化优化提供了可扩展路径。↗
2. Voluntary Servitude: Weaponized Safety Warning Mechanisms for Controlling AI Agents(Technion、Zenity)
论文揭示 agent 会依据公开来源的信息行动,攻击者可借伪造的“安全警告”让 agent 主动排除合法选项、转向攻击者目标,形成 payload 不含面向模型指令的“自愿奴役”(voluntary servitude)攻击。方法上在公开平台发布四段结构(写手与访问背景、对提供商的主张、把攻击者 listing 说成更优及理由、推荐)的普通评论,构造 Safety、Authority、Attribute 三个攻击家族,以 ASR、pass rate 与 ASRfilt 评价,并提出仅在系统提示加一句“佐证要求”的免训练防御。实验覆盖十个旅行服务领域共 500 条查询与六个模型:无过滤时 Safety 家族 ASR 为 60.4%、指令注入为 66.0%,在 ProtectAI 与 Lakera 检测器下 Safety 家族有效成功率为 60.4% 与 47.1%,对应指令注入为 35.7% 与 10.6%(提升 1.7–4.4 倍),攻击可迁移到四个生产浏览器 agent,检索管线端到端成功率为 1.0–57.0%,防御使 ASR 从 68.4% 降至 3.6%、排除提供商比例从 90.9% 降至 4.0%。结论指出被安全对齐赋予的 harm-avoidance 本身成为攻击面,佐证要求能在 agent 仍读到伪造危害时阻止其据此排除提供商,但该防御针对非自适应攻击者,其代价与“制造佐证”的自适应攻击仍有待评估。↗
3. IntentGEO: Intent-aware Generative Engine Optimization for Recommendation(未披露)
论文提出 IntentGEO 评估框架,从需求具体度(P1–P5)与决策进程(Q1–Q5)两个维度考察同一份共享改写在不同用户意图下的可见性,揭示现有 GEO 方法增益随意图波动、学习式优化平均反而低于手写种子(MetaOpt-Rec 把 RecGEO 的 0.95 降到 0.67),并把问题定位为“提示漂移”。方法上提出 AMO(Anchored Meta-Optimization),把重写提示拆成固定的推荐核心 C 与可学习的追加策略 A,只在 A 上搜索并以引用反馈迭代更新、逐轮在验证集选优,保证推荐核心始终保留。实验在 Books、Retail、Videogames 与 Ragdoll 四域的十个 P/Q 状态共 200 实例、2000 个请求上进行,AMO 全状态平均增益 1.12,较 RecGEO 高 18%、较最强学习式基线 MetaOpt-Prog 高 35%,top-5 引用率较 Base 提升 13.98 个百分点,agentic 检索流程 Pass@5 达 43.48%(Base 33.85%),Doubao 上平均增益 1.048、Pass@5 58.34% 均为最高。结论表明用户意图会显著改变改写收益、GEO 需按意图维度评估,而锚定式优化把“学习什么”与“不可动的推荐要求”分开,避免优化漂移。↗
4. SPADE: Spatiotemporal Preference Alignment and Diversity Enhancement for Local Search(未披露)
论文针对本地生活服务 App 首页主动查询推荐这一开放集生成任务,指出长尾覆盖、时空对齐、偏好对齐与解码多样性常被孤立处理,提出端到端生成框架 SPADE,将词表构建、上下文编码、偏好对齐与解码四阶段联合设计。方法上以 OA-BPE 把 CTR/CVR 与曝光归一化项构成的业务价值权重注入 BPE 合并分数,STAR 用多尺度六边形正弦空间编码与小时时间编码经两层 MLP 融合后以零初始化软门控注入编码器前 K 个占位位置,训练先做温度缩放交叉熵预训练、再用 MARS-DPO(排序位置、LLM 判定检索质量与最近 POI 距离三项复合奖励)做偏好对齐,解码端用 SDBS 的位置感知偏移奖励提升意图覆盖。实验基于某大型本地服务平台 10 万用户 30 天日志(148 万唯一查询、Stage1 779 万样本、Stage2 308 万样本),相比最强基线 AIGQ 的 HR@5 +5.6%、MRR@5 +5.2%、GeoC@5 −40.3%、Exec@5 +1.9%,长尾意图 HR@5 增益 +13.5%,一周线上 A/B 的 Module CTR +1.88%、Search Volume +0.177%、Search DAU +0.105%,论文称延迟开销可忽略(P50/P95 具体数值未报告)。结论表明开放词表查询推荐中业务对齐分词、细粒度时空编码、生产反馈偏好对齐与多样性解码可相互叠加而非冲突,但点式偏好对齐在列表多样性上仍有不足,需由 SDBS 在解码期补回。↗
5. When Category Means Move: A Paired-Support Audit of Recommendation Logs with Random Insertions(未披露)
论文针对生产推荐日志的内容品类看板受投放策略影响的问题,提出一套条件配对支持审计协议而非新因果估计器,量化生产日志品类均值与随机插入参考之间的差距,并配套支持误差账本、防泄漏前瞻校准与决策感知推断。方法上在同一批用户与视频上对齐随机插入日志与常规投放日志,报告绝对 MAE、中心化形状 MAE、最大误差、排序相关与 top-10 重叠,以 CE/RW 用户去均值加随机总均值锚定、Kitagawa 式分解 D_k=W_k+M_k 与 Shapley 归因拆解误差来源,并用同步用户聚类 bootstrap 构造区间。实验基于 KuaiRand 随机插入日志(12,472 用户、5,486 视频、38 个品类、467,919 条随机插入行与 180,645 条常规行)及 100 个已知真值半合成基准:朴素品类均值绝对/中心化 MAE 为 0.1935/0.0491、排序相关 0.7833,CE 去均值加随机锚定后绝对 MAE 降至 0.0387(降 80.0%)但中心化仅改善 21.0%,Shapley 归因显示绝对差距中组内视频残差占 72.8%、视频混合占 27.2%,前瞻冻结测试中品类校准 MAE 0.0251 优于标量校准 0.0531(差值 −0.0280 [−0.0296, −0.0172])。结论指出生产日志品类均值与随机参考的差异主要在水平而非排序,去均值加锚定能大幅压低绝对 MAE 但对形状与排序改善有限,top-10 决策改进的族式区间含零、视频混合对品类形状贡献约一半且任何分配均非因果,审计结论应限制在日志设计所允许的范围内。↗
6. DualEvolve: Dual-Level Self-Evolution of Mechanism and Orchestration for Recommendation(未披露)
DualEvolve 针对现有 LLM agent 自动改进推荐模型时“只按任务分数选更新、缺乏对实验质量本身的优化信号”的问题,提出在冻结 LLM 参数的前提下协同演化推荐机制与 agent 开发工作流的双层框架。内层由 diagnoser、proposer、coder、analyst、refiner 五个冻结 LLM 角色迭代诊断并改写模型与训练代码,经低保真 beam 筛选加高保真验证产生候选,再由噪声与成本感知的 promotion gate 决定是否替换 incumbent;外层用固定 GLM-5.2 grader 按决策质量、实验严谨性、分析深度、新颖性四维打分(权重 0.35/0.15/0.30/0.20),以延迟残差更新各动作类型的正态后验,并用 Thompson sampling 在 KEEP、EDIT HARNESS、EDIT SKILL 间选择,同时把评估器与准入规则固定在可编辑范围之外。在 4 数据集 × 4 方法共 16 个设置、64 个 setting–metric 比较中全部超过 Base、OpenEvolve 与 DeepEvolve,相对 DeepEvolve 宏平均 HR@5 提升 7.6%、NDCG@5 提升 9.0%,相对 Base 的 N@5 提升 17.1%、N@10 提升 14.3%;grader 人工一致率 83.1%、Cohen's κ=0.432,动作频率为 KEEP 54%、EDIT HARNESS 25%、EDIT SKILL 21%。消融中 Fixed Rules、w/o TS、w/o Wiki 均落后 Full(Baby/NGCF 上分别差 0.0411–0.0534、0.0139–0.0217、0.0107–0.0160),说明把实验设计与决策质量确立为独立于任务分数的优化信号,能让 agent 的递归自我改进保持稳定、可审计且可约束。↗
7. Learning to Rank Explanations for Recommendation with Language Models(未披露)
LMStaR 首次将语言模型编码器联合适配到个性化解释语句排序任务,用以摆脱对协同 ID 表示的依赖、以及语义增强方法难以超越用户历史流行度基线的问题。它把解释排序重新表述为稠密检索:查询编码器将固定指令、按时间排序的用户历史与目标物品元数据编码为查询向量,语句编码器独立编码候选解释,二者取最后一层非 padding token 隐状态并做 L2 归一化后以点积排序,训练采用多正例 InfoNCE 对比目标防止高分正例掩盖低分正例,默认以 Qwen3-Embedding-8B 初始化并加 LoRA 微调。在 Amazon Beauty、Amazon Toys 与 Yelp 上三个数据集 NDCG@1 均列第一,分别超 CLER 3.50(+31.2%)、8.25(+65.9%)、1.06(+11.8)点;NDCG@5 在 Beauty/Toys 上超 CLER 2.66 与 7.79 点,但在 Yelp 落后 1.10(−6.7)点,12 个数据集-指标组合中 9 项最优、3 项第二。LoRA 在 6 个配置上均优于全量微调 0.84–2.66 NDCG@5 点,六个跨域迁移设置均无需目标域微调即超越 zero-shot 与传统基线,而替换为他人历史会使 NDCG@5 下降 5.65–13.20 点,表明用户特定历史是 item-level 排序的关键信号,局限在于 Yelp 的 top-5 排序仍不及 CLER。↗
8. ReuseGR: Offline–Online Decoupled Generative Retrieval via Adaptive Prefix Reuse(未披露)
ReuseGR 解决生成式检索中“完整解码 Semantic ID 在线延迟过高、相同查询跨用户重复计算、而各用户历史又要求结果个性化”的矛盾,并通过点击日志分析实证发现查询级可共享的 SID 前缀结构与查询相关的复用边界:第 1、2 层上查询信息带来的预测增益分别达 61.18 与 25.95 点,到第 4 层增益区间跨越 0。方法上把 7B 离线候选规划与 0.5B 在线个性化补全解耦——7B CellPlan 为同一查询生成共享前缀集,0.5B LeafFill 结合当前请求历史选择前缀并补全剩余 token,配合 ReuseCut 自适应预测缓存深度、Path KD 在真实目标前缀路径上做后缀蒸馏、BudgetCut 在固定分支预算 B=32 下用集合相关准入筛选。在工业数据集 AE-PV(3.38M 物品、约 2M 查询–物品记录、44,225 条测试查询)上取得 85.82% HR@100、46.05% Recall@100 与 71.45 ms 延迟,较全在线 0.5B 基线提升 3.83 个 HR@100 点并降低 38.9% 延迟,与全在线 7B 的 85.71% HR@100 相当而延迟降低 57.7%(2.36×);14 天线上 A/B 相对提升 CTR 0.93%、千次请求收入 1.05%。这表明“共享规划 + 个性化补全”能以 0.5B 量级的在线开销逼近 7B 的检索质量,并同时改善延迟与商业指标,验证了该解耦范式的生产实用价值。↗
9. ZeroGR: Filtering-First Constrained Decoding for Generative Recommendation(未披露)
ZeroGR 针对生成式推荐约束解码中“先打分后过滤”在无效候选上浪费大量打分、归一化与掩码计算的问题,分析有效候选的稀疏性并论证“先过滤后打分”的可行性。系统为每个解码步骤维护切片式过滤索引并按该步有效候选密度在稀疏/稠密表示间选择,执行引擎用共享候选槽让过滤、投影、候选选择各阶段复用同一槽位交换结果,以 hybrid projection 在选择性投影与全码表投影间按收益切换,索引构建则采用 layout-guided streaming construction,由 CPU worker 按预计算的 fragment 大小与位置独立生成并流式传输至 GPU。在 MovieLens-1M 上两种执行顺序的返回项重合度平均达 99.90%、各 cutoff 的 recall 几乎一致;工业搜索数据上有效候选密度从 step 2 的 14.29% 降至 step 5 的 0.05%,即先打分后过滤浪费了 85.7%–99.95% 的投影算术;在来自工业 GR 服务的真实数据集上,相比代表性约束解码基线,过滤、打分与候选选择的合计延迟最高降低 9.9×、GPU 索引内存最高降低 74.5%、索引重建快 278×。因此把 SID 约束用于决定计算范围而非事后掩码,可在几乎不损推荐质量的前提下将候选稀疏性转化为延迟、显存与索引更新效率上的实际收益,具备生产级 GR 服务价值。↗
10. Auditing Multi-Proxy Explanations of Web User Preferences: Identification Boundaries and Abstention(未披露)
论文针对多代理偏好解释中的“代理泄漏”——对某个代理(行为、评分、LLM 画像)的归因可能反映其测量过程而非潜在偏好——提出审计框架,把解释结论区分为点识别、部分识别与应当弃权三类。方法先对每个代理拟合响应面,在声明的参考分布下计算 Kernel SHAP 归因,仅用外部尺度做归一化后取符号坐标中位数,再构造全局绝对重要性;作者把标量中位数 50% 崩溃点原理推广为归因级识别结果,证明严格多数未污染代理(2r < K)是统一恢复潜在归因的充分且必要条件,并用相容目标集 CT_{r,ε}(z)(至少 K−r 个代理落在 t±ε 内)决定给出符号、弃权还是否定联合预算声明。在覆盖 138 个场景、1494 条方法–场景汇总的受控已知真值基准上,预先冻结的 K=5、m=2、λ=1 单元格中中位数偏差泄漏为 0.115/0.050,优于 RPCA 的 0.142/0.058(配对差 −0.0277 与 −0.0079,Bonferroni 区间均不含 0),归因张量直接审计在正确预算下达到 100% 真值覆盖、95.40%–97.05% 活跃驱动符号决策与零假符号;Amazon CDs_and_Vinyl(10 万用户子集、正式队列 5,000 人)上 8 个预设对比中 6 个 Bonferroni 区间不含 0,但相容集显示当前代理配置很少能支持严格符号结论。其价值在于把“何时不该解释”变成可操作的审计输出:越过 2r<K 边界应弃权或报告相容集,而 Amazon 证据只支持 fitted-surface alignment 而非潜在偏好恢复,论文未报告潜在偏好真值,因果解释仍需外部识别条件。↗
11. Do Retrieval Ranking Models Capture Event Order? A Study of Timeline-Constrained Retrieval(Bar-Ilan University、Reichman University)
论文系统检验稠密检索器与神经重排器能否捕捉"时间线约束检索"中的事件顺序——查询由有序的事件语句序列组成,文档不仅需语义支持每个事件,其内部事件的时间展开还须与查询相容。方法上先用 LLM 离线按事件时间顺序重排文档句子(只改顺序、不改文本),再以 cross-encoder 构建查询语句与文档句子的兼容矩阵,分别做半全局动态规划的保序对齐(OP)与匈牙利算法的无序对齐(OA)对照,两者共享兼容矩阵、gap 分数与评分函数。在 ReliefWeb 灾难报告(6,079 篇文档、66 条查询)上,第一阶段纯词法 BM25 反而最强(MRR@10 0.48、mAP@10 0.35);重排阶段 MiniLM-L12 的 OP 达 MRR@10 0.70、mAP@10 0.50、R@50 0.83,远超其 OA 的 0.55/0.36,BGE-Reranker 亦由 OA 的 0.46 提至 OP 的 0.65(mAP@10 0.23→0.45),全部对比 p<0.005,随机打乱句子顺序则性能显著下降。这说明事件时间进展是一个有价值但现有模型尚未有效利用的排序信号,更强的语义建模或显式时间指令都无法可靠替代显式保序建模。↗
12. Conditional independence and graphical models for rankings(未披露)
论文提出相对秩模型(RRM)与相对秩网络(RRN),解决排序(排列)固有的互斥约束(MEC)使标准条件独立难以定义、模型参数呈阶乘级复杂度的问题。方法先用参考集定义相对秩变量(RRV)对排序空间做结构化粗化,再对粗化后的类别变量套用贝叶斯网络分解,得到 (V, G, θ) 三元组;定理 2.5 证明 RRV 打破 MEC 当且仅当变量图 V 无环,此时参数规模最坏为 n·k^(s+1)、精确推理复杂度 O(n·k^(t+1)),并给出 RIM、RSM 等模型在该框架下的统一表示。实验未报告——论文为纯理论研究,全篇未提及任何数据集、评价指标或实证数字,仅附录给出生成事件与结构学习的两个算法。其价值在于把 RIM、RSM 等看似不同的排序模型统一为相对秩变量上的条件独立假设,让排序建模可直接复用图模型的学习与推理工具。↗
13. $τ$-Rec-Books: A Disclosure-Controlled Benchmark for Requirement Elicitation in Agentic Recommender Systems(未披露)
论文提出 τ-Rec-Books 基准,在固定同一用户请求的前提下只改变需求披露时机(volunteer / mixed / hidden),以可验证方式评估 agentic 推荐系统的需求 elicitation 能力。基准构建了冻结的 20,000 本 Wikidata 公有领域书籍目录与 450 个匹配披露变体的任务,用规则模拟用户按字段标签作答、以 catalog 元数据核验 pass^k,评分全程不依赖 LLM judge。4 个模型 × 2 种搜索接口 × 3 种披露条件共 32,976 次试验显示,satisfiable 任务的 pass^1 从 volunteer 的 0.975 降至 mixed 的 0.756 与 hidden 的 0.283(Holm 校正后均显著),pass^4 依次为 0.955 / 0.582 / 0.099,而目录扩大 4 倍只让关键词搜索下降 4.2 点、结构化搜索几乎无影响(0.8 点)。结论是需求"何时披露"远比搜索方式或目录规模重要,agent 的真实短板在于不主动提问与未先向用户验证就推荐,该基准提供了无 LLM judge、可逐条复现的 elicitation 评测手段。↗
14. Dataset Recommendation for Heterogeneous and Dynamic Scholarly Graphs via Multimodal Representation Learning(未披露)
论文针对真实学术知识图谱(SKG)中数据集推荐面临的稀疏、异构、动态与标注缺失问题,提出 MM-SAN(Multimodal Scholarly Attention Network),首个可在直推、半归纳、全归纳三种设置下统一工作、无需重训即可适应演化 SKG 的多模态异构图表示方法。方法上以 node2vec 拓扑嵌入与 all-MiniLM-L6-v2/Phrase-BERT 文本嵌入为双模态,先经实体链接与 BERTopic 主题建模稠密化图,再用按相似度与跳距加权的随机游走采样邻居,最后以文本为 Q、拓扑为 K/V 做三组交叉注意力聚合,在文本缺失时依赖拓扑、拓扑稀疏时依赖文本。实验在 OAG(OpenAIRE Graph)约 227M 节点、15B 关系、含 60M+ 数据集的 EOSC 子集上对比 SAN、HGT、RGCN、LightGCN 等图方法与文本双编码器等基线,但具体指标数值未报告,仅给出"在所有测试场景中持续超越 SOTA"的结论性表述。其价值在于为真实、稀疏且不完整的 SKG 数据集推荐提供可扩展、免重训的方案,并通过文本元数据逐步减少的评测课程验证多模态设计对缺失模态的鲁棒性。↗
15. Collaborative Search Meets Large Language Models: An Empirical Study(未披露)
论文首次从搜索体验、用户行为与协作产出三个维度系统比较 LLM 智能体与传统搜索工具在协作搜索中的差异,基于 80 名学生组成 40 对参与者的四场景用户研究(QAAgent、CoSearchAgent、SearchAgent 与 Google Search)。研究采用两个正交 4×4 拉丁方平衡任务与场景分配,每任务后填写 7 点量表问卷并独立撰写不少于 500 词的学习报告,再由 GPT-5.6-Sol 对 320 份报告按丰富度、综合度、独立性与组内差距评分。结果显示 Google Search 与 SearchAgent 的丰富度更高(4.56、4.48),高于 QAAgent 的 4.21 与 CoSearchAgent 的 4.24;独立性上 QAAgent 最高(99.45%),显著优于传统场景(p<.001);CoSearchAgent 交互时长最长(20.48 分钟)并在有用性(5.45)、完整性(5.21)、省时(5.70)、减负(5.81)与总体满意度(5.48)上居首。结论是 LLM 辅助总体降低感知任务负荷并提升协作体验,但体验收益并不必然转化为更高质量报告,有效智能体应在组织共享知识、连接证据、引导分工上提供用户可控、可核查的主动协助。↗
16. Toward User-Centered Agentic Recommendation: When Does Platform Competition Benefit Users?(未披露)
本文提出以用户为中心的 agentic recommendation 范式,让用户 agent 对比多个竞争平台 agent 的推荐,并把交互形式化为重复博弈,追问平台竞争究竟在何种条件下改善用户福利。方法上,平台可在不改变物品内在价值的前提下策略性修改描述,用户 agent 仅依据已消费物品的反馈评估平台可信度,作者进而从资源与报告条件给出平均福利优于单一平台的分析保证,交互预算随平台数量线性增长。实验在合成市场与基于 Amazon 的市场中进行,显示可信度评估能提升有限时域效用,但具体提升数值未报告,收益依赖市场规模与机制参数。结论指出资源接入扩大未必带来福利提升——策略性夸大与有限验证会抵消竞争红利,可信度评估是恢复竞争收益的关键机制。↗
17. SourceFlow: Collaborative Source Coupling for Flow-Based Recommendation(未披露)
针对 flow-based collaborative filtering 中源样本按全局物品频率独立采样、与目标历史脱节,导致预测器缺乏用户特定源线索的问题,SourceFlow 把协同结构注入源分布本身而非在预测器上追加条件。方法由三部分组成:Neighborhood Coupling 用未观测的协同替代物品替换历史物品以构造位移二值源,Collaborative Consensus 利用共享观测物品的其他用户交互证据精化替换概率,Stretched Restoration 在 flow 后期保留替换以增加恢复原始交互的机会。在五个推荐数据集上,方法相对最强 flow-based 基线取得 Recall@10 平均 15.7% 的相对提升;对照实验显示把同一源向量跨用户重分配会令增益反转,印证了源与目标历史正确配对的重要性。这表明训练阶段的协同证据注入是 flow-based 推荐的有效增益来源。↗
18. HARP: Training-Free Dual-Profile Agentic Communication for LLM-Based Recommendation(Harbin Institute of Technology, Shenzhen、Great Bay University、Shenzhen Loop Area Institute)
论文指出记忆增强 LLM 推荐存在物品侧无同构画像、画像仅进入带宽受限重排提示、画像预热后被冻结三大通信缺口,并将 LLM 推荐重构为 BUILD–TRANSMIT–UNDERSTAND–SYNC 四阶段智能体通信框架,提出免训练方法 HARP。HARP 在冻结 LLM 主干上组合三个算子:规则抽取的对称物品画像(R1–R4,零额外 LLM 调用)、通道可分解的画像级同质性门控检索(以 g(H)=α+(1−α)H 乘性门控作用于协同检索分)、单轮反思式画像更新,用户画像由单次 LLM 调用生成七字段 JSON 并引入 Ebbinghaus 时间权重。在四个 InstructRec 基准上,相对 MemRec 的 Hit@1 相对提升为 Books +6.9%、Goodreads +17.2%、MovieTV +9.7%、Yelp +24.0%(Yelp H@1 0.604 vs 0.487,Holm 校正 p<10⁻⁹),消融显示检索侧门控是主要增益引擎(MEMORY 0.580 → DIALOGUE 0.635 → HARP 0.643)。论文价值在于给出统一的智能体通信分析框架,并以免训练方式证明其可行性、提供可解释的逐算子归因。↗
19. Interpretable Early Termination of Web Navigation Agents via Closed Sequential Pattern Mining(未披露)
针对基于开放权重语言模型的网页导航智能体失败频繁且发生得晚、既有早停方法决策不可解释的问题,论文用闭合序列模式挖掘从轨迹前缀中提取可人工审查的失败特征库。离线阶段将轨迹按动作类型、选择器策略、环境结果、推理意图四维符号化并截断为 K 步前缀,以 BIDE+(5% 最小支持度)挖掘闭合模式、按失败精确率过滤后归纳为恢复、验证、导航、上下文四类;在线阶段以有序子序列匹配与覆盖分数触发终止。在 1,544 条 MiniWoB++ 轨迹上,方法取得 Exclude-errors 配置下八种方法中最高的 K=3 F1(0.717),3 步内覆盖 88% 的失败;推荐操作点(K=5、阈值 0.15)以 92% 精确率终止轨迹、对成功轨迹仅 3.2% 影响、整体节省 26.3% token。结论认为短前缀且需可解释性的场景适合模式挖掘,长 K 且无诊断约束时神经分类器更优,跨基准迁移仅部分有效(WebArena 平均模式覆盖率 Mistral 0.100、Llama 0.056、Qwen 0.021),可解释性主张目前仅为结构性支持。↗
20. IDs That Mean Something: A Hands-On Tutorial on Semantic IDs for Recommender Systems(未披露)
教程系统梳理物品标识从原始整数 ID 经辅助信息到语义 ID 的演进,指出原始 ID 不携带语义、无法把身份信息迁移到语义相近物品因而冷启动在标识层面得不到支持、嵌入表随目录扩张无限增长的问题。方法上以语义 ID 为组织主线,将物品表示为 RQ-VAE、RQ-KMeans 等向量量化或聚类得到的离散 token 序列,把内容、层级、关系与行为信号编码进身份标识,并剖析 TIGER(生成式)与 YouTube 排序模型(判别式)两个代表用例,同时讨论多模态早/晚融合权衡与协同信号注入路径(协同嵌入量化、内容模型与嵌入微调、协同数据对比训练)。本文为 CIKM '26 教程提案,未报告新的定量实验结果;动手环节基于 Amazon Reviews,用 RQ-KMeans 构建语义 ID 并在生成式推荐任务上与原始 ID 基线对比,另在多域设置下评估跨域迁移(基于 Cornac,提供可运行于 Colab 的 Notebook)。结论认为语义 ID 是比原始 ID 更具可扩展性的信息利用范式,可统一生成式与判别式应用,并指出动态语义 ID、目录动态下的 ID 稳定性、多利益相关方效用与超越命中率的评估等开放挑战。↗
本日报由 AI 自动生成,解读观点仅供参考。