推荐算法日报 - 2026-11-05
2026-11-5
| 2026-11-5
Words 10893Read Time≈ 28 min

一、📊 趋势分析

🔥 评测从“打分”转向“归因”:WISE 将质量问题定位到具体算法组件,FocalSwap 将排序收益归因到具体搜索槽位,PMRecBench 用需求理解 U 和偏好遵循 P 两个指标拆解“个性化失衡”,Optimal Re-Ranking Depth 则证明最优重排深度本身就是 query 级属性。判断:下一阶段基准的竞争力不在覆盖多少模型,而在能否指出“错在哪个环节”,带置信区间的反事实证据会比更大的测试集更有价值。
🔥 显式结构以更细粒度回归:CAP-Mix 用共享原型软混合替代硬 Semantic ID,ArcRAG 在查询时诱导图接口而非绑定固定 schema,Weaver 用意图依赖 DAG 约束检索前沿,供给约束工作把可服务 SID 编译成请求级 CSR 索引。判断:这四项工作的共同点是用显式结构先验替代纯端到端拟合,说明“结构在哪一层注入、以什么粒度注入”正在取代“模型多大”成为检索系统的首要设计决策。
💡 成本与安全开始与效果同权:LLM serving 论文指出,如果引擎对比不记录实际生效的配置,那么测到的只是队列增长,而非引擎速度;分层量化显示,int8 整体最多损失 1.5 个百分点,而二值量化在所有任务类别上都显著更差;Signed but Steerable 证明常规向量库审计无法为文本到向量的绑定提供实质保障。判断:延迟、存储与审计成本将越来越多地进入主结果表,“效果-成本成对报告”会从倡议变成复现门槛。

二、📋 今日速览

  • 阿里巴巴淘宝天猫 提出免训练的召回补充系统 URED,复用排序后未曝光的 top-200 高分候选,线上类目 +3.47%、内容丰富度 +8.47%、完播 VV +2.62%,总 VV +0.36% 不显著。↗
  • 机构未披露 提出受控分解,拆解 vLLM 与 SGLang 的默认配置差距,在匹配 chunked prefill 后容量差距消除 78%、延迟差距消除 30–67%,但 SGLang 仍保留 2.4–6.4 倍 p95 TTFT 优势。↗
  • 机构未披露 在 RTP-LLM 中实现请求级供给约束编译,生产过滤量从 56.86% 降至 9.70%、幻觉过滤 120→0,但 QPS=20 时客户端均值延迟上升 69.2%。↗
  • Meta、Texas A&M University 提出软原型混合物品表的 CAP-Mix,六个公开基准平均 HR@5 +6.9%、NDCG@5 +13.6%,推理吞吐为离散基线的 1.4–161×。↗
  • 机构未披露 提出按 query 预测最优重排深度的方法,IR-DCG@10 在阈值 0.80 时把平均深度降 3 倍且维持效果,oracle 选择可再提升超 7%。↗
  • 快手、独立研究者(杭州) 提出系统质量诊断任务与 WISE 智能体框架,Qwen3.5-4B 的 E2E EM 从 20.25% 升至 69.85%,生产端成本较人工降低 99.55%。↗
  • 机构未披露 发布首个多模态查询下的推荐智能体个性化基准 PMRecBench,诊断池上各智能体 NDCG@1 普遍下降 0.20–0.26,并揭示需求理解 U 与偏好遵循 P 的失衡。↗
  • 机构未披露 提出含相关性忽视与 AI 信任的行为模型,ChatBench 上 AI 辅助使准确率提升 0.213,但 GPT-4o 单独 0.884 高于人机团队 0.851。↗
  • 机构未披露 提出 FocalSwap 固定行反事实协议,全源搜索贡献显著为正(+5.427/+2.016/+3.197×10⁻³),而最新搜索 episode 的独立贡献未被确立。↗
  • 机构未披露 发布覆盖 MTEB 38 个任务、168 种配置的分层嵌入与量化基准,8× 降维叠加 int8 实现 32× 单向量存储压缩并保持 94.4% 基线效果。↗
  • 机构未披露 量化文本-向量完整性缺口并提出代码级校验,τ=0.999 时 BGE-M3/MiniLM 分别有 24.6%/16.8% 查询可被劫持,校验可全部拦截。↗
  • 机构未披露 提出个性化潜在推理框架 DESRec,六个数据集上 NDCG@10 相对 ReaRec 提升 5.35%–13.94%。↗
  • 机构未披露 发布基于 rubric 的购物建议基准 CARTBench,10 个模型中仅 3 个 Core 超 90%、无一 Excellence 超 45%。↗
  • 机构未披露 提出利用 user-user Gram 矩阵的 u-EASE 与 u-EASE-i,ML-1M 上 nDCG@100 较 EASE 提升 6.0%/6.3%。↗
  • 机构未披露 提出免训练去相关重排 DSER,m=2 时夏普比从 1.794 升至 2.060 而 nDCG 仅降 3.6%。↗
  • 机构未披露 提出双层图组织的个性化 RAG 框架 Weaver,PersonaMem ACC 86.42 较 MemCoE 提升 16.01 点,token 消耗约为其 56%。↗
  • 机构未披露 提出查询时接口诱导的图谱智能体检索 ArcRAG,模式引导图上 MuSiQue 达 53.0 F1、HotpotQA 达 80.8 F1,开放词表图上仍保持竞争力。↗
  • 机构未披露 提出预测误差自适应的选择性遗忘 PEARL,PRISM 中等漂移下比贪心高 4.0 点、比 NeuralUCB 高 2.5 点。↗
  • 机构未披露 发布首个多模态科学论文“话到嘴边”检索基准 SciToT,页面级 Qwen3-VL MRR@10 达 0.793,而 BM25 仅 0.123。↗

三、🎯 今日主题

从平均分到分层诊断:推荐评测的四个切面

问题背景。 主流评测默认 query 同质、能力单一、场景通用、增益可加总;当系统变成多阶段、多模态、多智能体的复合体,这四个假设同时失效。
  • 固定重排深度假设所有 query 共享同一个最优截断点,Optimal Re-Ranking Depth 却发现许多 query 超过某个深度后,效果反而跌回初始排序之下。
  • 单一 NDCG 假设“理解需求”与“遵循偏好”同步提升,PMRecBench 显示智能体会用查询线索挤占偏好遵循,而且即使用更强的商用模型,这种失衡也消除不掉。
  • 通用榜单假设购物、科研检索可用同一套标准评测,CARTBench 与 SciToT 分别补上了含时间线的模糊请求、多模态记忆检索这两类资源的空白。
  • 端到端增益假设不需要知道收益来自哪个组件或哪次输入,WISE 与 FocalSwap 正是在补这个归因缺口。
代表方案对比。 六篇工作分别在 query 层、能力层、场景层与组件层这四种层级上细化评测的拆分方式:
  • WISE(快手、独立研究者(杭州)):切口是把质量评估从“识别坏结果”推进到“归因到算法组件”,做法是带强制证据隔离 harness 的 LLM 诊断智能体,配合 ReTrace 轨迹监督与 AHPO 联合优化,结果 Qwen3.5-4B 的 E2E EM 从 20.25% 升至 69.85%,生产约 120K 例/天、成本较人工降 99.55%。
  • FocalSwap(机构未披露):切口是搜索增强推荐的输入级归因,做法是固定行反事实干预(中性掩码对照匹配替换)加用户聚类 bootstrap 与 Holm 校正,结果全源贡献 +5.427/+2.016/+3.197×10⁻³ 显著为正,而最新搜索槽位的独立贡献未被确立。
  • PMRecBench(机构未披露):切口是多模态查询下的个性化能力,做法是构造含偏好对齐与需求满足竞争者的诊断池,并用 U/P 两个独立指标分别检验,结果诊断池上 NDCG@1 普遍下降 0.20–0.26,U 达 0.85–0.95 而 P 仅 0.71–0.84。
  • CARTBench(机构未披露):切口是复杂模糊购物请求的建议质量,做法是从真实订单蒸馏 Ideal Response Principles 并构建 1,328 条专家 rubric,结果 10 个模型中仅 3 个 Core 超 90%、无一 Excellence 超 45%。
  • Optimal Re-Ranking Depth(机构未披露):切口是重排深度在 query 级上的异质性,做法是用 IR-DCG@10 预测器加百分位校准逐 query 选深度,结果阈值 0.80 时平均深度降 3 倍且效果维持,oracle 上限可再提升超 7%。
  • SciToT(机构未披露):切口是科学论文的多模态“话到嘴边”检索,做法是从文本与图像独立提取记忆线索合成查询并用 LLM judge 过滤,结果页面级 Qwen3-VL MRR@10 达 0.793,而 BM25 仅 0.123。
核心差异。 这六篇都在做评测,但归因对象与证据强度处在不同层面:
  • 沿“归因粒度”轴:FocalSwap 归因到输入槽位、WISE 归因到系统组件、PMRecBench 归因到能力维度、Optimal Re-Ranking Depth 归因到单 query 的深度选择——粒度越细,越依赖隔离与反事实设计,而不是更大的测试集。
  • 沿“证据形态”轴:WISE 与 FocalSwap 给出带区间或生产闭环的因果式证据,PMRecBench 用真实用户历史加合成查询做半受控诊断,CARTBench 与 SciToT 仍是专家 rubric 与静态基准。
  • 这六篇中只有 WISE 走到生产闭环,其余尚未在线上 A/B 中验证“诊断结论能转化为系统改进”,外部效度是共同短板。
趋势判断。 评测的竞争点正从“榜单覆盖”转向“诊断分辨率”:
  • 可复用的反事实审计协议会比单个数据集更有生命力,FocalSwap 的固定行干预可以直接迁移到任何搜索增强推荐系统。
  • 正交能力指标会成为基准标配,单一 NDCG 无法暴露“强模型也失衡”这类问题。
  • 诊断与优化会形成闭环,WISE 的 harness–policy 联合优化已经显示诊断结果可以直接反哺系统迭代,而不只是论文结论。
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
WISE
快手、独立研究者(杭州)
E2E EM 20.25%→69.85%(4B);35.25%→75.20%(35B-A3B)
生产部署,约 120K 例/天
WISE-BENCH 12,000 例
快手搜索
高(生产闭环)
FocalSwap
机构未披露
全源贡献 +5.427/+2.016/+3.197×10⁻³;最新槽位未确立
离线审计协议
KuaiSAR 13,159 用户/96,994 episode;SESRec 16,788 窗口
4 套数据、3 个 checkpoint
中高(区间校正)
PMRecBench
机构未披露
诊断池 NDCG@1 降 0.20–0.26;U 0.85–0.95,P 0.71–0.84
基准公开
510 条查询(服装 258、电影 252)
2 个域、8 个骨干
中(合成查询)
CARTBench
机构未披露
仅 3/10 模型 Core>90%,无一 Excellence>45%
基准公开
1,328 条 rubric、1,603 条商品、17 个零售域
购物导购
中高(专家标注)
Optimal Re-Ranking Depth
机构未披露
深度降 3 倍且效果维持;oracle 再提 >7%
离线实验
MSMARCO 880 万文档、1000 query/53,936 判断
MSMARCO、TREC DL 2019
中高(公开判断)
SciToT
机构未披露
MRR@10 0.793(页面级 Qwen3-VL)vs BM25 0.123
基准公开
108,512 篇文档、11,499 条查询
5 个科学领域
中(合成查询,κ≈0.362)

四、📰 逐篇解读

1. From Waste to Discovery: Recycling High-Scored Unexposed Candidates in Taobao Feed Recommendation(阿里巴巴淘宝天猫集团)

这篇论文在生产数据上诊断出朴素探索提权失败的根因:冷启动候选缺乏用户信号,排序模型只能回退到群体先验,导致预测系统性高估,候选之间的排序也不可靠(PCOC 1.147 vs 1.042,RMSE 0.368 vs 0.325)。据此提出免训练的召回阶段系统 URED:保留每次排序后未曝光的 top-200 高分候选,在 30 天滑窗内按用户聚合去重,并按“过去 d 天未曝光类目”过滤后写入 Redis,请求时作为额外召回通道注入最多 k=1000 个候选;整个流程无需重训模型,单次 O(1) KV 查询,线上端到端延迟开销低于 1%。线上 A/B(数千万 DAU、峰值超 1 万 QPS)显示,类目 +3.47%、内容丰富度 +8.47%、完播 VV +2.62% 均显著,总 VV +0.36% 不显著;将窗口缩至 1 天时增益跌到 +0.55%(仅保留 16% 效果),随机注入仅 +0.12% 且总 VV −0.17%。结论是探索与互动的权衡并非本质,而是注入了模型不理解的候选造成的假象,只在高分可信区域探索即可兼顾发现性与互动,这一“数据管线废料再利用”范式可推广至新鲜度、创作者公平与长尾曝光。↗

2. A Controlled Experimental Evaluation of Configuration and Cache Architecture in LLM Serving Engines(未披露)

论文针对“vLLM 与 SGLang 默认部署性能差距常被归因于 KV 缓存粒度”这一混淆,指出默认配置中还包含 chunked prefill 这一与缓存无关的差异,并提出受控分解,把差距拆成配置造成的部分与匹配后的残余部分。实验在 GKE 单张 24GB NVIDIA L4 上进行,分别以厂商默认配置和匹配 chunked prefill(2048 token 预算)运行 vLLM 0.6.3 与 SGLang 0.4.1,两组之间只改变 vLLM 的一个设置,SGLang 两组配置相同,充当内部对照;负载由种子化多智能体负载生成器构造(Gamma 到达 CV=1.5、planner/4 worker/aggregator DAG、共享前缀加唯一后缀),共 99 次运行、63,288 个请求。默认配置下,8,192 token 提示(90% 共享)时 vLLM 中位 TTFT 为 SGLang 的 64.1 倍、饱和附近为 36.4 倍,持续吞吐为 1.40 对 1.94 req/s;匹配 chunked prefill 后,容量差距消除 78%、延迟差距消除 30–67%,但吞吐相当时,SGLang 仍保留 2.4–6.4 倍的 p95 TTFT 优势。论文据此主张,引擎选型基准必须记录实际生效的配置,并把延迟与吞吐成对报告,否则饱和区的 TTFT 只是在测量队列增长,而非引擎速度。↗

3. Optimal Re-Ranking Depth(未披露)

论文挑战“固定重排深度”这一常见假设,利用 LLM 自动相关性判断,首次支持按 query 大规模分析重排深度,发现许多 query 存在明确的最优深度,超过该深度后效果停滞甚至跌到初始排序之下。方法上把深度建模为 query 级预测问题,用基于百分位的非参数校准把预测器取值映射为深度,并以基于 LLM 判断的首阶段排序质量指标 IR-DCG@10(GPT-4o-mini 按 UMBRELA 框架产出判断)作为预测器,与 11 种标准 QPP 方法对比。在 MSMARCO v1 passage(880 万文档,采样 1000 条 query、53,936 条判断)与 TREC DL 2019 上,BM25+Mono-T5 配置下 IR-DCG@10 在阈值 0.80 时把平均重排深度降低 3 倍且维持检索效果,最佳 QPP 基线 RSD 在阈值 0.89 时仅降低 2 倍;若用 oracle 为每个 query 选择最优深度,效果可提升超 7%、平均深度降低 5 倍。结论是重排深度是 query 特有的属性,标准 QPP 信号无法可靠预测,深度预测既关乎效率,也关乎效果,论文还公开了判断数据、代码与实验产物。↗

4. WISE: An Agentic Framework for Whole-page Multimodal Search Experience Attribution(快手、独立研究者(杭州))

论文提出「系统质量诊断(SQD)」这一新任务,把质量评估从「识别坏结果」扩展到「将质量问题归因到系统各算法组件」,填补了该方向缺乏统一问题形式化与基准的空白。WISE 将诊断智能体形式化为 A=(H, πθ):LLM 策略负责推理与决策,harness 管理上下文、证据、工具与状态并强制证据隔离,同时配套 ReTrace(证据一致的轨迹监督)与 AHPO(失败引导的 harness–policy 自适应优化)。在包含 12,000 个快手真实搜索案例的 WISE-BENCH 上,Qwen3.5-4B 的 E2E EM 从 20.25% 升至 SFT 后的 58.25%、再经 AHPO 达 69.85%,Qwen3.5-35B-A3B 从 35.25% 升至 69.80% 与 75.20%;ReTrace 与全量重生成效果持平,但教师生成 token 从 32.0k 降至 20.4k(降 36.25%);生产端约 120K 例/天,25.60 元/千例的成本较人工的 5,714.29 元/千例降低 99.55%。结果表明即使冻结权重、仅优化 harness 也能带来增益,生产部署还提升了下游相关性模型的离线指标与人工 GSB 4.16%,而在线 A/B(IQRR、CTR)的具体数值未报告。↗

5. Generative Retrieval under Real-Time Supply Constraints in Local Commerce(未披露)

论文解决本地生活/外卖场景中生成式检索产出“目录内合法、但当前请求不可服务”的 SID(供给幻觉)问题:位置、天气、路况会实时改变可用供给,事后过滤又会浪费已经花掉的 beam 容量与推理算力。方法是在 RTP-LLM 中实现请求级约束编译:上游供给服务物化可服务的 SID 集合,CPU 工作线程在 model prefill 期间解析排序并编译为 CSR 前缀索引后上传 GPU,所有 beam 共享该不可变索引,每一步只允许合法扩展进入前沿,同时保留掩码前的全词表 log-sum-exp 归一化以维持原始对数概率,并让父 gather 先于状态转移执行,使 KV 缓存与约束状态随 beam 重排同步传播。生产记录显示,在相同 beam 调度下,总过滤量从 170/299 降至 29/299(56.86%→9.70%),存活商户 129→270,幻觉过滤 120→0;但 QPS 为 20 时,客户端均值从 27.6 ms 升至 46.7 ms(+69.2%),p99 从 30.7 ms 升至 55.9 ms。论文建立了可运行的请求级供给约束实现并定位了集成瓶颈,但明确尚未在匹配检索质量的前提下证明计算节省,请求级相对日级约束的增量收益仍待受控实验验证。↗

6. Item Representations Matter: Bridging Hard Semantic IDs and Soft Prototype Mixtures for Generative Retrieval(Meta、Texas A&M University)

针对离散 Semantic ID(SID)量化会丢失信息、产生碰撞,而连续推荐器虽免除量化却使用扁平物品表、缺乏跨物品参数共享这一矛盾,论文追问连续模型能否在不引入离散瓶颈的前提下获得共享结构,并提出流式生成推荐器 CAP-Mix。该方法把物品表表示为「共享原型软混合 + 物品专属向量」,软分配由低维瓶颈特征经跨码本注意力块映射后由 softmax 得到,训练与推理全程保持软分配、不使用 argmax 或直通估计器,并在 FlowRec 主干上以推荐目标、代码匹配损失 L_match 与原型利用率平衡损失 L_bal 单阶段联合训练;既支持从零训练,也可用离线 SID 后验作软先验或用完整内容嵌入初始化。在 Amazon Beauty、Industrial、Office、MovieLens-1M、Yelp-2022、Steam-2018 六个公开基准的全目录排序上,相比各数据集最强基线平均 HR@5 提升 +6.9%、NDCG@5 提升 +13.6%,仅给离线 SID 时比同一分词器硬表高 4.45%–14.90%,从零训练比扁平表高 +2.08%/+4.73%/+0.72%(Beauty/Industrial/Steam),推理吞吐为离散基线的 1.4–161×。结论是原型混合能在不把物品转成离散 token 的前提下实现跨物品参数共享,完整内容嵌入可用时仍带来增益,而冻结的硬语义划分在稀疏 Amazon 数据上反而退化,为连续生成式推荐给出了兼顾共享参数与连续表示的实用路线,且物品表只物化一次、不增加每查询计算。↗

7. PMRecBench: A Benchmark for Personalization in Recommendation Agents under Multimodal Queries(未披露)

现有个性化推荐基准只用纯文本查询,多模态基准又只评测查询匹配、不检验推荐是否反映真实用户历史中的偏好,论文据此提出首个在多模态查询下评测推荐智能体个性化能力的基准 PMRecBench,并揭示「个性化失衡」(personalization imbalance)现象。数据侧从真实用户记录按需求挖掘、参考图检索(Gemini 3.1 Pro 检查属性在图中是否可见、置信度≥0.75)、查询生成(Claude Opus 4.8 与 GPT-5.5 评分取最优)与查询验证四步构造 510 条图文查询;评测侧设计含目标项、19 个随机候选与 10 个竞争者的诊断池(5 个偏好对齐竞争者、5 个需求满足竞争者),用需求理解 U 与偏好遵循 P 两个相互独立的代理指标分别检验两项能力。在 Amazon 服装(258 条、198 位用户)与 MovieLens-1M(252 条、179 位用户)上对比 8 个骨干模型,随机池上 ReAct + Gemma-4-31B 的 NDCG@1 为 0.578 与 0.659,换到诊断池后各智能体 NDCG@1 普遍下降约 0.20–0.26;诊断池上 U 为 0.85–0.95 而 P 仅 0.71–0.84,加入多模态查询使平均 P 在服装降 0.046、电影降 0.042(95% CI 均不含 0),商用模型 U 达 0.90–0.93 接近饱和,P(服装 0.68–0.72、电影 0.77–0.80)却仍低于 Gemma-4-31B 的 0.76/0.83。说明智能体面对多模态查询时会优先依赖参考图相似等查询线索、从而「挤出」偏好遵循能力,且单纯升级更强商用骨干无法消除该失衡,PMRecBench 及其公开代码与数据为诊断这一核心挑战提供了评测基础。↗

8. AI-Assisted Classification under Correlation Neglect and Trust(未披露)

论文研究 AI 辅助二分类中「AI 何时帮助人、何时伤害人」,指出答案不仅取决于 AI 准确率,还取决于 AI 证据与人类证据的重叠程度及人类融合两者的方式。作者构建含「相关性感知 α̂」与「AI 信任 β̂」两个行为原语的模型:人类与 AI 各持对数似然比、工人按加权和的符号决策,推导出关于 AI 能力 τA 与重叠 λ 的闭式相图并划分互补、损害、自动化三区,同时用同一批工人配对不同 AI 的经验识别策略联合估计 (α̂, β̂),把相对贝叶斯理性的精度损失精确分解为相关性忽视成本 CNC 与信任不足成本 UTC。在 ChatBench(643 名 MTurk 工人回答 MMLU 数学、物理、道德推理题,配对 GPT-4o 或 Llama-3.1-8b,匹配后 315 人、389 题、2,199 条观测)上,AI 辅助使准确率从 0.612 升至 0.824(+0.213,95% CI [0.191, 0.235]),GPT-4o 单独 0.884 高于团队 0.851(自动化区,p=0.002),Llama 单独 0.787 与团队 0.795 无显著差异(边界,p=0.55);估计 β̂=0.285(95% CI [0.246, 0.322]),λ̂ 对 GPT-4o 与 Llama 分别为 0.071 与 0.127,信任校准可为 GPT-4o 挽回约 2.6 个百分点(0.851→0.877),对 Llama 反而降低 1.4 个百分点。结论是更强的 AI 不一定带来更高团队准确率——高重叠下相关性忽视者会重复计数共享证据,最优信任水平随部署参数变化而非恒为 β̂=1——框架据此给出「AI 太弱则隐藏、处于互补带则提供、足够强则自动化」的部署准则,并指出降低重叠(训练 AI 提供人类所缺信息)与校准信任是信息侧与行为侧的两个杠杆。↗

9. Do Search-Augmented Recommenders Use the Latest Search Episode?(未披露)

论文指出搜索增强推荐(SAR)存在归因缺口——聚合增益或模块消融无法说明收益究竟来自最近一次搜索片段还是累积的搜索状态,为此提出 FocalSwap 协议,在固定推荐行上区分「最新槽位」(latest-slot)与「全搜索源」(all-source)两种归因问题。其核心是固定行反事实干预:保持目标、候选集、预搜索历史与打分器不变,只改动最新搜索槽或全部搜索槽,并以中性 ID 掩码或观测搜索的匹配序列作分级对照(C0 中性掩码、C1 画像优先 donor、C2 类别+画像匹配 donor),配合用户聚类 bootstrap、Holm 校正与 Bonferroni 调整的 97.5% 区间,读出目标排名变化率、有符号 RR 贡献 Δ 与 half-tie 偏好率三类指标。在 KuaiSAR(13,159 用户、96,994 有效 episode)、Qilin、SESRec(16,788 个测试窗口)与三个独立训练的 UniSAR checkpoint 上,同一 66,139 行上中性掩码的全源贡献为 +5.427/+2.016/+3.197×10⁻³,C2 匹配替换为 −1.177/−0.755/−0.354×10⁻³,配对 C0–C2 差距 +2.770 至 +6.604×10⁻³ 且调整区间全部高于零,而最新槽位贡献未被确立(SESRec 为 +0.138×10⁻³,95% CI [−0.743, +0.936],UniSAR 三个 C0 区间均跨零);掩码改变 59.7–61.7% 的目标排名,匹配替换改变 44.1–44.8%。由此得出的结论是,把收益归因于更广搜索状态或最新搜索 episode 时,掩码证据必须与观测搜索替换对照,否则控制选择本身就会改变归因结论;该工作提供了可复用的固定行反事实审计协议,将系统级排序增益与特定搜索输入的归因分离,并揭示 SESRec/UniSAR 中最新搜索片段的独立作用尚未被证实。↗

10. Balancing hierarchical representation and quantization: A performance trade-off in text embeddings(未披露)

论文是一项实证基准研究,考察分层文本嵌入(可变长度表示)与量化(降低数值精度)这两种正交且已成熟的技术叠加时如何相互作用、在效率与效果上形成何种权衡。作者在 MTEB 的 38 个任务上用四个 transformer 嵌入模型评测 1D 与 2D 分层表示 × 32-bit、8-bit 与二值量化的 168 种配置,分别报告理论单向量存储与端到端评测时间,并以 Friedman 检验加 Nemenyi 事后分析做统计判定。结果显示 int8 量化在 pair classification 与 re-ranking 上与 float32 统计不可区分、整体最多损失 1.5 个百分点,而二值量化在所有任务类别上显著更差;维度减半一次在 m=16 以上不可检测、连续两次减半总能检测到;8× 降维叠加 int8 可实现 32× 单向量存储压缩并保持 94.4% 的基线效果;时间维度上未发现量化加速评测的证据,而从中间层采样能显著缩短评测时间。由于评测时间仅测一次、只作指示性参考,且检索任务的退化远快于其他类别,作者按任务类别分别给出结论,为分层表示与量化的组合选型提供了可复用的经验基准。↗

11. Signed but Steerable: Measuring and Closing the Text-Vector Integrity Gap in Offline Retrieval-Augmented Generation(未披露)

论文提出并量化"文本–向量完整性缺口":签名只证明知识包的发布者身份,并不保证其中向量真实编码了对应文本,攻击者可在文本全部通过审查的前提下操纵向量、劫持检索,直指常见向量库审计的安全盲区。方法上,作者以角检索边界 m(q)=θc−θg 导出"边界定律",令运营方无需发动攻击、仅凭诚实向量与查询日志即可预测容差校验下被劫持的查询比例,并给出代码级精确校验(验证方裁决歧义、按实测浮点噪声校准保护带、以验证方重算码规范化覆盖)。边界定律与模拟攻击最大绝对差 0.0;τ=0.999 时 BGE-M3/MiniLM 分别有 24.6%/16.8% 查询可劫持,按 INT8 参考阈值 0.904(25.3°)校准则达 100%/98.4%(迁移攻击 81.2%/44.0%),真实 FAISS PQ 索引(57,638 文档)上 60 个篡改向量全部通过审计、25% 目标将攻击者文档排至第一(CI 16–37%),而代码级校验全部拦截,树莓派上攻击使正确回答率由 0.75 降至 0.39、验证令并发 LLM 解码速度下降 23–31%。结论是粗量化存储(PQ、二值码)在容差审计下几乎全部暴露、常规向量库审计无法为文本–向量绑定提供实质保障,而代码级校验无需专用硬件即可可移植地接受全部诚实向量并阻断已执行攻击。↗

12. Deliberate Latent Reasoning for Sequential Recommendation(未披露)

针对现有潜在推理方法对所有用户采用固定推理步数、导致简单历史过推理而复杂历史欠推理的问题,论文提出个性化潜在推理框架 DESRec。推理步选择模块 RESS 在训练期为每个用户按各步推理向量与真实下一物品的余弦相似度选出最优步 s*,并以自蒸馏将该状态压缩进最终步表示;渐进式偏好提取模块 PPEM 用滑动窗口把历史切分为可变数量时间段、各总结为一个潜在 milestone 以建模用户演化兴趣。在 Yelp、Amazon 四个子集与 MovieLens-1M 六个数据集上,SASRec 主干的 NDCG@10 相对最强基线 ReaRec 分别提升 6.79%、5.91%、5.79%、13.94%、13.33% 和 5.35%。论文据此论证个性化、审慎的潜在推理能更准确刻画用户演化兴趣,且推理时保持固定步长仍简单高效,为推理深度自适应提供了有效方向。↗

13. CARTBench: Rubric-Based Evaluation of Shopping Advice for Complex and Ambiguous Requests with Timelines(未披露)

论文提出 CARTBench,面向复杂、模糊且含时间线的购物请求(CART)评估 LLM 导购建议,以应对数据稀缺与评价标准难以统一两大障碍。作者从 17 个零售域的真实商业购物需求构建带时间戳对话并配对 1,603 条商品记录,又从成功完成的订单中人工精选优质回复、蒸馏出 Ideal Response Principles,用于指导案例级 rubric 及 Principle-Guided CART Prompting 结构化推荐策略。基准含 1,328 条覆盖 Core、Excellence 与 Safety 的专家标注准则,在冻结 rubric 下评测 7 个旗舰商业 API 模型与 35B+ 开源模型,10 个模型中仅 3 个 Core 超过 90%,无一 Excellence 超过 45%。由此论文识别出"理解—执行"缺口,并诊断出商品证据不足与需求未解决(源于需求变化与决定性未知)的共性失败模式。↗

14. Alternatives to Shallow Autoencoders for Collaborative Filtering(未披露)

论文指出 EASE 仅依赖 item-item Gram 矩阵拟合满秩高维线性映射、可能掩盖行为不同用户间的差异,据此提出利用 user-user 信息的 u-EASE 与混合模型 u-EASE-i。作者先将 EASE 推广为 min‖Y−AWB‖²_F 并得闭式解,u-EASE 取对称形式基于用户 Gram 矩阵 G_u=RRᵀ,u-EASE-i 取 Y=RᵀRRᵀ、A=B=Rᵀ 同时重建 user-user 与 item-item 交互矩阵,二者保持闭式解、one-shot 训练与极少超参。在 Gowalla、Yelp2018、ML-1M 上,Yelp2018 的 nDCG@100 较 EASE 分别提升 2.5% 和 3.7%,ML-1M 分别提升 6.0% 和 6.3%(u-EASE-i 43.51 vs EASE 40.95)并在短长榜单取得 SOTA;耗时上 Gowalla 中 u-EASE 为 6.8 分钟、EASE 为 11.3 分钟,u-EASE-i 因需两个 Gram 矩阵升至 24.5 分钟。结论是用户侧关系可提升排序精度,收益与分辨率 ρ=|U|/|I| 相关(ML-1M 上 ρ=1.63 收益最大)但 ρ>1 并非必要条件,其价值在于把"用户侧替代"正式纳入 EASE 类浅层自编码器框架。↗

15. One Basket, Many Experts: Decorrelated Re-ranking for Financial Asset Recommendation(未披露)

论文针对金融资产推荐中"推荐相关性"(nDCG/命中率)与"组合表现"(ROI/夏普比)难以兼顾的痛点,指出专家跟随榜单因共识集中于少数热门资产而内部收益高度相关、分散性差,限制了服务商可提供的风险调整收益。作者提出免训练、可审计的 DSER:保留专家榜单前 k−m 个最相关条目作为相关性核心,用与当前篮子平均 Pearson 相关系数(基于过去 180 天日收益)最小的资产贪心填充 m 个卫星槽位,把相关性—表现权衡转化为单一整数旋钮 m。在 FAR-Trans(29,090 客户、388,049 笔交易、321 资产,61 个双周检查点、k=10)上,m=0 专家榜单 SR 1.794/nDCG 0.391,m=2 时 SR 升至 2.060(+0.27)而 nDCG 仅降 0.014(−3.6%),m=4 时 SR 2.119 为可部署区间峰值;成本模型下 10 万欧元组合 m=2 净 SR 1.64 高于专家榜单 1.56,但 30 万欧元时降至 1.37、反低于 1.43。论文结论为增益机制是"波动率持平的收益提升"(相关降约 30%、波动率几乎不变、年化收益升约 16%),且相关性代价与市场阶段无关而收益增益依赖市场阶段,其价值在于以可解释、可审计的单一旋钮显式选择操作点并界定增益幅度。↗

16. Weaver: Weaving Preference Evidence through Incremental Reasoning for Personalized Retrieval-Augmented Generation(未披露)

Weaver 面向个性化 RAG 中的一个核心问题:偏好证据分散在很长的对话历史中,而且与特定的时间和情境绑定;因此,孤立片段难以完整支撑回答,不同条件下的偏好也容易混用。该框架将带记忆条件的检索轨迹与组合式偏好推理增量地整合在一起。方法上,它用双层图组织检索与推理:上层意图依赖 DAG 为子问题标定作用域,并用合取、析取、否定依赖计算可执行前沿;下层记忆条件轨迹图记录检索锚点及其发现关系。三个模块循环执行:缺口跟踪、由原文锚点驱动的增量检索、范围感知组合推理。只有当证据获得充分适用支持且没有未解决的冲突时,系统才判定任务完成。在 PersonaMem 上,ACC 达 86.42,较最强基线 MemCoE 的 70.41 提升 16.01 点;PrefEval ACC 91.10,较 MemoryBank 提升 7.56 点;Token 消耗约为 MemCoE 的 56%,平均 ACC 88.76 对 76.41。消融显示,去掉依赖图会使两个基准的 ACC 分别下降 13.97/14.60 点。同一路线在 MuSiQue(F1 69.52 对 67.11)与 WebWalkerQA(ACC 60.31 对 59.02)上同样有效,表明以未解决信息需求驱动增量检索、再按范围组合证据可以推广到个性化历史之外的多跳问答与网页检索。↗

17. ArcRAG: Agentic Compositional Retrieval over Knowledge Graphs(未披露)

ArcRAG 提出"跨构建可移植性"问题:同一检索流程在不使用图谱特定模式、关系名,也不重新调参的情况下,换一种图构建方式后是否仍然有效;为此,它给出一种在推理时诱导查询局部接口的智能体式检索方案。在方法上,把图检索拆成探索与利用两段:Explorer 通过模式内省,在查询时诱导锚点附近可达的节点标签、关系描述符与属性键,并提示模型给出别名与关系改写;Planner 据此确定答案类型并产出有界子计划;Generator 将其编译为只读 Cypher 执行,并在固定遍历形状下修订谓词与绑定。见证子图要么由源 chunk 合成答案,要么由返回行合成答案,证据不足时再生成跟进问题并重新探索。在模式引导图上,取得 MuSiQue 44.0 EM/53.0 F1、HotpotQA 74.5 EM/80.8 F1、TriviaQA 87.9 F1;在开放词表图上,三个数据集的对应结果分别为 38.0/45.0、65.5/72.2、71.6 F1。100 题分层消融中,Explorer 在全部 18 个重试/轮次设置上带来 15–39 点(FinReflectKG)与 12–32 点(OpenIE)提升;5 次重试 5 轮时最佳配置达 88.0%/74.0%,而单次 Direct-Cypher 仅 12.0%/6.0%。论文的结论是:检索不必与图构建协同设计,查询时接口诱导让构建无关的检索器在图构建改变时仍保持有效,但构建方式仍影响绝对准确率,也就是可移植不等于不变性;其局限在于仅覆盖两种构建与百科问答,且与先前系统的比较取自各自最佳报告值,而非统一复现。↗

18. PEARL: Prediction Error-Adaptive Regularized Learning for Selective Forgetting under Partial Preference Drift(未披露)

PEARL 针对非平稳 bandit 中的一个关键问题:真实偏好漂移通常是局部的,即只有部分平稳;但现有方法对所有维度统一遗忘,而且神经上下文 bandit 的 Gram 矩阵置信度只能单调累积,无法把不确定性重新导向预测出错的方向。方法用约 100K 参数的两层 MLP 加线性头建模奖励,以最后一层特征的 Gram 矩阵计算认知不确定性。每次交互先做 Sherman-Morrison 收缩;当预测误差超过该用户运行均值且 ε_u>0.05 时,沿本次特征方向注入不确定性,谱上限保证注入量不超过先验。采集函数 μ_k + γ·ε_u·σ_k 中的 ε_u 为逐用户绝对预测误差的 EMA(β=0.3),使预测良好的用户接近贪心选择、漂移用户自动加大探索。在 PRISM 中等偏好漂移设置下,PEARL 比贪心选择高 4.0 个百分点,比最强神经 bandit 基线 NeuralUCB 高 2.5 个百分点(p<0.001),偏好稳定时与贪心持平,较滑动窗口与折扣遗忘方法高 3–10 个百分点;在带已知真实偏好的可控模拟中,不做在线更新的静态模型低于随机(0.480 vs. 0.537)。理论上,非自适应策略在漂移后会遭受线性 regret,且不存在同时适配平稳与非平稳情形的固定探索率;而 PEARL 的累积 regret 随偏移用户数 Ns 而非总用户数 N 增长,检测延迟仅一次交互,把统一遗忘的代价转化为按漂移方向的常数级恢复成本;其 LLM 权重冻结、兼容任意 API 模型,具备实际部署价值。↗

19. SciToT: Multimodal Tip-of-the-Tongue Retrieval for Scientific Papers(未披露)

SciToT 构建了首个面向科学文档检索的多模态"话到嘴边"(tip-of-the-tongue)基准,用来填补科研人员凭不完整记忆重找论文时缺乏评测资源的问题;该基准包含 108,512 篇开放获取文档、5 个领域与 11,499 条合成查询。方法上,它提出可扩展的多模态查询引出管线:从文本与图像独立提取记忆线索,再由 LLM 生成模仿人类不完整回忆的查询;视觉线索最多取 15 张图,并用 Gemma4-12B-IT 作 LLM judge 过滤与文档不相关的查询,标注码本来自对公开 re-finding 请求的实证分析。实验以 MRR@10、Recall@1/10/100 分领域评估:页面级 Qwen3-VL 的 MRR@10 最高达 0.793,文本+视觉为 0.750,纯文本 Qwen3-Emb 为 0.710;而 BM25 仅 0.123、E5 为 0.128、ColBERTv2 为 0.115、视觉 OpenCLIP 为 0.035;人工评测中 92.5% 的相关性与 94.5% 的规范性获最高分,LLM judge 在全量数据上 96.77% 判为 2 分,但人机加权 κ 仅约 0.362。由此可见,传统词汇与稠密检索在科学 ToT 任务上效果有限,页面级与多模态表达更强的表示显著更优,把记忆线索匹配到文档局部内容与视觉元素是关键;作者也指出,合成查询刻意强调视觉线索可能限制其代表性。↗

本日报由 AI 自动生成,解读观点仅供参考。
  • 推荐系统
  • 日报
  • 推荐算法日报 - 2026-11-06推荐算法日报 - 2026-11-04
    Loading...
    Catalog
    0%