推荐算法日报 - 2026-09-08

type

Post

status

Published

date

Sep 8, 2026 05:15

slug

daily-report-2026-09-08

summary

多模态与LLM深度渗透召回/精排全链路：今日多篇论文（SAM-D2Q、LARK、MURAL）将视觉-语言模型、多模态特征引入召回与排序，且不再停留在"拼特征"层面，而是通过RL对齐业务目标（GMV）、潜在token缓解跨模态稀释、不确定性感知融合抑制噪声，标志着多模态推荐从"能用"走向"好用"。; 从"静态模型"到"动态自适应"的范式迁移：Embedding Surgery（查询时局部更新embedding）、IGPO（训练-free库存感知策略优化）、PTDG（动态任务依赖图）三篇不约而同地挑

Section 1: 📊 Trend Analysis

🔥 多模态与LLM深度渗透召回/精排全链路：今日多篇论文（SAM-D2Q、LARK、MURAL）将视觉-语言模型、多模态特征引入召回与排序，且不再停留在"拼特征"层面，而是通过RL对齐业务目标（GMV）、潜在token缓解跨模态稀释、不确定性感知融合抑制噪声，标志着多模态推荐从"能用"走向"好用"。

💡 从"静态模型"到"动态自适应"的范式迁移：Embedding Surgery（查询时局部更新embedding）、IGPO（训练-free库存感知策略优化）、PTDG（动态任务依赖图）三篇不约而同地挑战"训练一次、部署终身"的静态范式，转向在线轻量修正、库存/反馈驱动的动态调整，且都强调兼容现有ANN索引或固定管线，落地成本低，工业借鉴价值极高。

Section 2: 📋 今日速览

Alibaba 在 AliExpress 电商搜索提出多模态 Doc2Query 框架 SAM-D2Q，融合商品图像与 RL 偏好对齐生成伪查询，缓解标题与用户 query 词汇鸿沟。线上 GMV +3.38%、Pay Count +2.27%，已部署生产系统。↗

小红书 联合南京大学提出 LARK 两阶段潜在对齐推理框架，用可学习 latent token 锚定视觉细节、中间特征对齐 CoT 隐藏态，缓解多步推理中的跨模态稀释。在三个公共基准及工业数据集上达到 SOTA，消融验证各组件有效。↗

IIT-CNR 提出 Embedding Surgery 轻量级方法，将排序修正形式化为凸优化，在查询时对文档 embedding 做局部最小更新，兼容 ANN 索引无需重建。TREC DL-Hard 上 nDCG@10 相对提升最高 +60.64%，且抗噪性强。↗

Huawei 面向 AI 搜索早期部署提出训练-free 的 IGPO 策略优化，将策略与库存事实分离，在线构建库存画像并注入 Policy Guidelines 到检索/选择 prompt。14 天线上 A/B 显示 CTR +3.17%、audited bad cases 减少 38.9%。↗

Huawei 联合清华提出 PTDG 动态任务依赖图，通过低秩近似与 GCN 硬因果掩码为每个 item 自适应"重连"转化漏斗通路，并引入 APM 解耦共享参数。线上 CVR +1.2%、eCPM +1.9%，稀疏任务 AUC 最高 +1.45%。↗

小红书 联合多所高校提出 AtomRec 智能体推荐系统，将用户/物品记忆拆分为结构化原子单元并构建语义链接，随交互演化历史字段。推荐时检索多跳证据路径支撑排序，四个公共基准平均相对提升约 8.5%。↗

Allegro 联合 NVIDIA 推出生产级互补推荐框架 AlleCompanion，用类别约束双塔 + ComCat 多源映射（融合专家规则、LLM 推理与统计挖掘）过滤共购噪声。服务超 2000 万月活用户，显著提升自然发现 GMV 与赞助位收入。↗

American University 等提出 MURAL 多模态图推荐框架，自适应边学习（可微检索 + ANN，O(NlogN)）发现动态 item 关联，不确定性感知融合抑制模态噪声。在 TikTok、Amazon 等大规模基准上超越 SOTA，且具备可解释性与抗噪鲁棒性。↗

Amazon 提出两层级联框架将 LLM 推理蒸馏为高效非生成式学生模型，推理时仅用两个 768 维 embedding 无 LLM 调用；PT-TTT 按产品类型测试时微调适配器。蒸馏学生 AUC 0.924→0.941，比直接 LLM 推理快约 5000 倍、成本低约 10000 倍。↗

Section 3: 📰 Daily Digest

1. SAM-D2Q: Aligning Multimodal Doc2Query with Search Demand and Conversion for E-commerce

🔗 原文： https://arxiv.org/abs/2609.04961

🏷️ 来源： 🏭 工业界 | Alibaba

⭐ 评分： ⭐⭐⭐⭐⭐ (5/5)

🎯 推荐理由： 多模态Doc2Query结合RL对齐，线上GMV提升3.38%，电商搜索新范式。

📝 摘要： 针对电商搜索中短标题与多样用户 query 间的词汇鸿沟，以及传统 Doc2Query 仅文本、不优化商业目标的缺陷，阿里提出 SAM-D2Q 多模态文档扩展框架。三阶段设计：多模态 SFT 增强图文理解、多模态数据增强提升视觉属性感知、RL 偏好对齐引导生成更匹配用户意图与商业价值的伪查询。离线检索性能显著优于传统 Doc2Query，已在 AliExpress 生产系统部署，线上 GMV +3.38%、Pay Count +2.27%，验证了"视觉信息 + 业务目标对齐"在布尔检索约束下的电商搜索新范式，对同场景召回优化有直接借鉴意义。

2. Latent-Aligned Reasoning for Multimodal Recommendation

🔗 原文： https://arxiv.org/abs/2609.04645

🏷️ 来源： 🤝 产学合作 | Xiaohongshu, Nanjing University

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 提出LARK框架，通过潜在对齐缓解多模态推荐中的跨模态稀释，工业数据验证有效。

📝 摘要： 论文首次系统指出 VLM 在多步推理中视觉与文本信号逐步衰减的"跨模态稀释"问题，并提出 LARK 两阶段潜在对齐框架。第一阶段将可学习 latent token 穿插于 CoT 推理中并与冻结视觉编码器对齐，作为保留感知细节的"视觉检查点"；第二阶段经 bridge MLP 投影并做 item-to-item 对比学习，同时将中间特征与第一阶段 CoT 隐藏态对齐，锚定最终 embedding。在三个公共基准与小红书工业数据集上达到 SOTA，消融实验确认各组件独立贡献，为多模态 LLM 推荐中的信号保持提供了新思路，但尚未见线上 A/B 结果。

3. Embedding Surgery: Localized Updates for Adaptive Ranking Correction in Dense Retrieval

🔗 原文： https://arxiv.org/abs/2609.05110

🏷️ 来源： 🎓 学术界 | IIT-CNR, ISTI-CNR, Seltz

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 轻量级embedding手术，在线修正稠密检索排序，显著提升且兼容ANN索引。

📝 摘要： 针对稠密检索中离线静态 embedding 索引无法适应反馈与演化意图的痛点，论文提出 embedding surgery：在查询时对选定文档 embedding 施加局部最小更新，由编辑反馈、用户交互或 LLM 伪标签引导，并将排序修正形式化为带排序约束的凸优化问题。在 TREC DL/Robust/CAsT 与 MS MARCO 上一致提升（DL-Hard 编辑反馈下 nDCG@10 相对 +60.64%），且抗噪抗漂移；修正可传播至语义相关查询，并可通过原地覆写安全应用于 ANN 索引而无需重建。方法轻量、与 CoRocchio 等查询端方法互补，对工业界在线索引自适应极具工程参考价值。

4. Inventory-Grounded Policy-Level Optimization for Training-Free AI Search

🔗 原文： https://arxiv.org/abs/2609.04813

🏷️ 来源： 🏭 工业界 | Huawei

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 训练-free库存感知策略优化，线上CTR提升3.17%

📝 摘要： 针对 AI 搜索系统部署早期商品库频繁变动、微调/RL/静态 prompt 均不适配的痛点，华为提出 IGPO 训练-free 策略优化方法。核心是将"策略"与"库存事实"分离：离线学习作用于运行时库存证据的 Policy Guidelines，在线通过探测库存构建 inventory portrait 并注入检索/选择 prompt；离线随机 rollout 按 query 分组，混合结果组提供对比信号，库存引导的探索循环区分"漏检"与"无匹配"。自 2026 年 5 月部署于商业智能助手 AI 搜索，14 天 A/B 显示 CTR +3.17%、audited bad cases 减少 38.9%，为 LLM 搜索系统冷启动阶段的低成本持续优化提供了可复制的范式。

5. Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation

🔗 原文： https://arxiv.org/abs/2609.04862

🏷️ 来源： 🤝 产学合作 | Huawei, Tsinghua

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 动态任务依赖图缓解信号侵蚀，线上CVR提升1.2%

📝 摘要： 针对工业多任务推荐中静态转化漏斗导致的信号侵蚀（稀疏深层目标性能退化），华为与清华提出 PTDG 动态任务依赖图。在尊重物理因果约束（Click→Pay）前提下，通过低秩近似为每个 item 动态"重连"依赖路径强度，并用带硬因果掩码的 GCN 传播建立自适应信息捷径；配套的 APM 策略按任务稀疏度解耦共享参数以稳定优化。在 KuaiRand1K 与工业数据集上稀疏转化任务 AUC 最高 +1.45% 且不损密集目标，线上 A/B 显示 CVR +1.2%、eCPM +1.9%，为多目标精排中的个性化信息通路设计提供了扎实的工业级方案。