推荐算法日报 - 2026-11-04
2026-11-4
| 2026-11-4
字数 5159阅读时长≈ 13 分钟

Section 1: 📊 Trend Analysis

  • 🔥 Agent 化推荐进入"自进化"阶段:今日 E-GenRM(淘宝)与 EvoRec(快手)两篇 5 分论文均指向同一方向——不再满足于让 Agent 做单次推理,而是引入奖励模型/反思树形成闭环,让系统从用户反馈中持续修正且无需参数更新。工业界已从"Agent 能不能用"转向"Agent 如何自我进化",这是今年最值得跟进的主线。
  • 💡 生成式推荐的"效用对齐"成为共识痛点:UAGR(快手)、HERO(阿里 1688)、GRC(阿里)三篇从不同角度攻击同一问题——生成似然与下游业务效用错位,导致高价值候选在 beam search 中被过早剪枝。解法集中在把多目标效用注入 SID 构建、解码打分或蒸馏路由,说明纯语义 ID 已不够,效用信号必须前移。
  • 📈 实验度量与训练系统基建同步升温:Microsoft 的 SSR 指标揭示生成式搜索下"点击≠成功",good abandonment 占比高达 53.2%;SparseLift 则从编译器层面撬动 100B 稀疏参数训练吞吐 +16.5%。当模型侧红利趋缓,度量精度与训练效率正成为新的工业增量来源。

Section 2: 📋 今日速览

  • Alibaba/Taobao 为开放式电商购物 Agent 构建 27B 生成式奖励模型,用真实购物行为构造长程轨迹,结合 SFT 与准则引导 RL 优化偏好判断。E-GenRM-Bench 偏好准确率 87.40%(超最强基线 6.97pp),淘宝 14 天 A/B 有效购物辅助率 +1.39pp。↗
  • Kuaishou 提出统一自进化 Agent 推荐框架 EvoRec,Need/Planning/Acting 三 Agent 覆盖全链路决策,动态反思树经回放验证后蒸馏为跨用户策略。本地服务广告 Hit@50 +15.7%,7 天线上广告收入 +4.6%、CTCVR +3.5%。↗
  • Kuaishou 推出稀疏路径编译器 SparseLift,将训练图中不透明稀疏节点重构为可分析子图,配合增量成本模型与约束感知规划器自动生成执行计划。100B 稀疏参数工业任务稳态吞吐 +16.5%,DLRM 上较 TorchRec 提速 1.26×。↗
  • Kuaishou 提出 UAGR,把多目标效用注入语义 ID 构建与 beam 解码打分,不增加 SID 长度与词表即可支持效用增量更新。已全量部署快手,线上视频观看时长 +0.206%。↗
  • Microsoft/Simplex AI 针对生成式 AI 搜索提出 SSR 会话成功指标,用人工标注训练模型在线识别 good abandonment。6904 条标注查询平衡准确率 0.75,约 4000 个生产实验上敏感度为 Sessions per User 的 2.5 倍。↗
  • Alibaba 提出 HOB 跨渠道自动出价框架,让边际成本在异构拍卖机制间可计算可对齐,并用零膨胀指数分布建模免费赢拍与价格不确定性。大规模商业 DSP 上线,GMV +3.0% 且满足 ROAS 约束。↗
  • Tencent 提出 CADRE 多智能体相关性判定框架,三专家 Agent 共享冻结骨干,Verifier 引导辩论消解分歧,再蒸馏为轻量学生模型上线。电商搜索广告平台离线与线上 A/B 均提升相关性分类与满意度指标。↗
  • Alibaba/Tsinghua 提出 ChoirRec,用 LLM 语义能力构建跨活跃度用户分组,以组级先验增强低活跃用户稀疏 embedding,双通道自适应融合。淘宝离线 GAUC +1.16%,线上订单量 +7.24%。↗
  • CAS/Baidu 系统比较 LLM 标注与点击数据在 LTR 中的差异:点击监督擅长高频查询与文档质量信号,LLM 标注擅长中低频与语义匹配。提出频率感知多目标学习融合两者,全频率查询排序均提升。↗
  • Alibaba/Wuhan Univ 提出 MUSE 多模态终身兴趣建模框架,GSU 用轻量余弦相似度检索、ESU 做丰富多模态序列建模与 ID 融合。淘宝展示广告支持 10 万长度行为序列,并开源首个超长序列多模态数据集。↗
  • Alibaba 在淘宝 AI 搜索全量部署 LEAPS 插件,以 Broaden-and-Refine 范式在上游扩展查询组合、下游用 CoT 相关性验证器过滤噪声。2025 年 8 月起服务数亿月活用户,非侵入式架构保留短文本检索性能。↗
  • JD/CASIA 提出 OSMF 广告图像生成框架,产品感知自适应分组 + Group-DPO 对齐各用户群点击偏好,并开源 60 万群组/4000 万用户的 GAIP 数据集。离线与线上均达 SOTA,缓解"一刀切"生成的群组次优问题。↗
  • Kuaishou/BIT 提出 UniMVT 统一因果框架,解耦营销干预混杂因素,联合重建去偏 base CTR 与多值优惠券强度响应曲线。合成与工业数据集上预测精度与校准均优,线上 A/B 验证优惠券分发业务指标提升。↗
  • Alibaba/Wuhan Univ 提出 GRC 生成式推荐反思-纠正解码框架,将解码拆为草稿生成、多粒度反思与纠正,用 GRPO 优化全轨迹。较 6 个 SOTA 基线最高 +15.74%,线上广告收入 +1.79% 且延迟可控。↗
  • Tencent/WeChat 提出 WeSearch 统一模型中心检索框架,先检索查询相关簇再在簇内排序原子文档,解耦剪枝与细粒度相关性建模。微信搜索全量部署,CTR +0.68%、人均文章点击 +2.27%,检索资源成本降 41%。↗
  • Meituan/Tianjin Univ 提出 SA-RSQ 稀疏残差软量化框架,用 Top-K 稀疏路由 + softmax 权重存储紧凑元组,解耦单物品存储与码本维度。美团外卖广告一周 A/B CTR +2.51%、CPM +3.66%。↗
  • Amazon 总结广告 CVR 辅助监督实践,用多样化用户事件与元数据信号补充稀疏转化标签,提出线性化标签、split 架构与 LaCo 抗噪标签组合。生产 ranking 模型取得可量化提升,强调方法在推荐域的可迁移性。↗
  • Alibaba 提出 HERO 多样性感知 on-policy 蒸馏框架,异构教师按流行度路由、注入冷门物品 SID 路径缓解流行度偏差。1688 首页"Guess What You Like"15 天 A/B GMV +3.412%。↗
  • Unknown 提出 DCD 点击后目的地个性化框架,从两任务转化预测演进到单任务策略模型,用 A2C 启发的软标签训练。大型广告平台 web-vs-app 大规模 A/B 显示逐点击个性化优于静态路由。↗
  • Alibaba/NJU 系统评估 LLM 识别转化归因中隐式相关触点的能力,揭示协同过滤规则与用户语义意图间的显著鸿沟。将 LLM 归因标签用于增强工业 CVR 训练,取得显著离线提升。↗
  • Waseda Univ 提出 PACT 模型无关防御框架,池化多生成器多策略改写攻击并做分数一致性训练,抵御 LLM 促销改写。九种设置下促销率最低,较最强基线最多降 3.0pp,零额外推理延迟。↗
  • Unknown 发现生成式推荐 beam search 的"首步覆盖瓶颈",所有被剪枝的 top-10 路径均在首步丢失。重分配预算后 Beam-50 预算下 Search Recall@10 提升 0.96~10.90pp,匹配输出解码延迟降约 6.4%。↗
  • Unknown 发布首个 CTR 数值嵌入开源基准 NumEmbBench,将 18 种配置归为六类机制,在 3 数据集 9 骨干 5 种子上统一评测。DEER 平均排名最优但六种方法各有所长,且精度与推理成本并不相关。↗
  • Unknown 提出 SIDRec 端到端推荐感知语义 ID 学习框架,自更新融合内容表示与协同 embedding,用 MMoE 式联合优化让推荐监督直接指导可微量化。三数据集 AUC/GAUC 全面领先,最高相对提升 5.15%。↗
  • Unknown 提出 IncVNM 交互式推荐系统,从序数点击反馈增量学习用户 VNM 效用函数,用熵正则采样平衡探索利用。滚动窗口实验中在多种响应错误率下显著优于期望收益、均值方差、discounted-UCB 等基线。↗
  • CAS/Baidu 提出 LLM-QL,将查询似然最大化作为辅助任务增强稠密检索骨干,配合注意力阻断与文档破坏两组件。MS MARCO 域内与 BEIR 域外均优于其他 LLM 检索器。↗
  • CityU/NTU/Sydney 提出 MUSE 多教师推理蒸馏框架,构建多样推理池并用学生自探索扩展,以 Rank-Gain 效用评估筛选轨迹做双层对比学习。三真实数据集验证有效性与鲁棒性。↗
  • SJTU 提出 RecRSI 机制假设驱动的推荐算法自动发现框架,MechSpace 派生可实现原语、Research Line 迭代验证假设。四个初始推荐器四个数据集上 NDCG@5 平均 +8.48%、HR@5 +6.88%。↗
  • Northeastern Univ/Tencent 提出 PACERec 无 ID 渐进适应框架,用频率加权流匹配学习共享速度场,将频繁物品交互上下文迁移至长尾。三数据集三序列骨干上整体与长尾推荐均优于基线。↗
  • Istanbul Tech 系统研究 LLM 推荐微调数据预处理对效用与公平性的影响,建立 SFT + 目录约束解码 + 提示增强的受控管线。MovieLens-1M 上原始标题使 HR@10 从 10.67% 升至 12.47%,公平性效果因属性而异。↗
  • Unknown 提出 ACRC 平均共形风险校准,先平均再截断以恢复风险控制下推荐规则的有效激活。六数据集上折后净效用较 raw 提升 0.010226,Jester 独立确认 +0.011025±0.001082。↗
  • Unknown 研究价值加权排序中的公平性,定义组投诉差异并引入投诉惩罚与组乘数,显式刻画降投诉的成本。多公开数据集上组感知惩罚改善部分队列投诉闭合,但未建立显著平均优势。↗
  • Tsinghua 提出 CL-DGFM 动态图基础模型,用动态交互 tokenizer 将交互记忆与有序转移编码为表格输入,无需图编码器即可复用表格基础模型。TGB/TGB-Seq 上具竞争力,且支持冻结基础模型直接迁移。↗
  • PKU/Kuaishou 提出 CURec 协同视角内容理解框架,先后训练 LLM 赋予推荐对齐推理能力,再用推荐模型打分作 reward 做 RL 精炼理由。公开基准上优于现有方法,缓解语义-协同鸿沟。↗
  • Tsinghua/Utah 将公平排序从曝光公平推进到上下文依赖的收入公平,提出 DIDRF 利用收入公平违背的二次结构导出状态感知打分规则。广告与电商日志校准的半合成实验中收入公平持续优于基线且保持排序效果。↗
  • CityU/Huawei/DUT 提出 R²-Searcher 检索-推理边界校准框架,用 query token 引导细粒度证据建模与检索反思,配合 R²PO 强化学习联合优化。七个多跳 QA 基准上答案准确率与检索推理质量显著领先。↗
  • Unknown 提出 SA-OPSD 搜索感知 on-policy 自蒸馏,用演化边界采样优先搜索关键状态,置信度解耦分支蒸馏分离目标校准与兄弟关系监督。Industrial/Office/Instruments 三数据集表现强劲。↗

Section 3: 📰 Daily Digest

1. E-GenRM: Generative Reward Modeling for Open-Ended E-Commerce Shopping Agents

🔗 原文: https://arxiv.org/abs/2611.03008
🏷️ 来源: 🏭 工业界 | Alibaba, Taobao
⭐ 评分: ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由: 淘宝线上验证的电商购物 Agent 生成式奖励模型,偏好准确率 87.40%,业务指标显著提升。
📝 摘要: 用户购物需求正从简单商品查询转向开放式任务,但现有 Agent 轨迹与奖励设计受限于既有使用模式,难以指导能力提升。E-GenRM 在数据侧利用购物 App 中自然发生的用户行为构建多样长程对话轨迹,在建模侧先通过 SFT 学习行为锚定的评估链,再用准则引导强化学习奖励正确偏好判断与证据支持的事实陈述,并引入个性化难负样本训练提升对隐式偏好的敏感度,另配主动证据检索补全缺失电商信息。27B 模型在 E-GenRM-Bench 上达 87.40% 偏好准确率,超最强基线 6.97pp;淘宝 14 天线上 A/B 中有效购物辅助率 +1.39pp、用户满意度 +2.33pp。对做 Agent 后训练与奖励建模的团队,其"行为轨迹构造 + 准则 RL + 难负样本"三段式设计可直接借鉴。

2. EvoRec: A Unified Self-Evolving Agentic Recommender with Dynamic Reflection Trees

🔗 原文: https://arxiv.org/abs/2611.01977
🏷️ 来源: 🏭 工业界 | Kuaishou
⭐ 评分: ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由: 快手提出自进化 agentic 推荐框架,反思树驱动持续改进,线上广告收入提升 4.6%。
📝 摘要: 传统级联推荐管线难以适应用户需求演化,已有 agentic 推荐虽引入推理与工具调用,却缺乏端到端决策控制与系统性失败反思。EvoRec 用 Need Agent 从长/短期与工作记忆推断需求,Planning Agent 在行为延续与需求满足间自适应分配检索预算、选择工具并设定融合权重,Acting Executor 执行并记录决策轨迹;用户反馈后由动态反思树定位需求推断、规划或历史修复中的失败,提出个性化纠正并经回放验证,验证通过的修复更新工作记忆并蒸馏为跨用户可复用策略,实现无需参数更新的持续进化。快手本地服务广告数据 Hit@50 +15.7%,有历史修复用户再 +13.1%;7 天线上 A/B 广告收入 +4.6%、CTCVR +3.5%,高意图用户收入 +14.5%。其"反思-验证-蒸馏"闭环为 Agent 推荐落地提供了可复制的工程范式。

3. SparseLift: Automatically Optimizing Opaque Sparse Paths in Industrial-Scale Recommendation Model Training

🔗 原文: https://arxiv.org/abs/2611.01702
🏷️ 来源: 🏭 工业界 | Kuaishou
⭐ 评分: ⭐⭐⭐⭐ (4/5)
🎯 推荐理由: 工业级推荐训练稀疏路径编译器,提升吞吐16.5%,对大规模训练有直接优化价值。
📝 摘要: 稀疏路径(稀疏算子 + 集合通信)是大规模推荐模型的关键组成,但在训练计算图中常以不透明节点存在,阻碍全图优化。SparseLift 通过分析模型结构与运行时信息,将不透明节点重构为可分析子图,恢复稀疏计算与通信的资源语义;在此基础上设计增量成本模型与约束感知规划器,自动选择并组织子图优化为执行计划,并在后续稳态训练中复用。在 100B 稀疏参数的工业视频平台推荐任务上,普通训练步稳态吞吐较原生基线 +16.5%;DLRM 上较 DLRM-Baseline 与 TorchRec 分别提速 1.60× 与 1.26×。对自研训练框架、受困于 Embedding 通信瓶颈的团队,这是一条不依赖模型改动的纯系统层增量路径。

4. Utility-Aware Generative Recommendation: Utility-Enriched Semantic Codes and Utility-Guided Decoding

🔗 原文: https://arxiv.org/abs/2611.02981
🏷️ 来源: 🏭 工业界 | Kuaishou
⭐ 评分: ⭐⭐⭐⭐ (4/5)
🎯 推荐理由: 快手部署的生成式推荐工作,将多目标效用注入语义ID构建与beam解码,线上观看时长+0.206%。
📝 摘要: 生成式推荐将多模态 embedding 量化为离线语义 ID 并自回归生成检索,但传统 SID 构建低估了分享、长观看、完播等曝光后行为反映的物品效用,导致语义相似而效用不同的物品难以区分;同时生成似然与下游效用错位,使高价值候选在 beam search 中被过早剪枝。UAGR 提出效用增强语义码,在保留原语义信息的前提下注入物品级效用且不增加 SID 长度与词表,支持无额外分词/解码成本的效用增量更新;效用引导解码则融合多曝光后行为预测估计候选效用并纳入 beam 打分,降低高价值路径被误剪的风险,且不干扰生成骨干训练。已全量部署快手,线上视频观看时长 +0.206%。提升幅度虽有限,但"效用前移到 SID 与解码"的思路对生成式召回链路改造很有参考价值。

5. Measuring User Success in Randomized Search Experiments: Interpreting Good Abandonment in Generative AI Search

🔗 原文: https://arxiv.org/abs/2611.01582
🏷️ 来源: 🏭 工业界 | Microsoft, Simplex AI
⭐ 评分: ⭐⭐⭐⭐ (4/5)
🎯 推荐理由: 提出 SSR 指标,有效检测生成式搜索中的 good abandonment,提升实验敏感度。
📝 摘要: 生成式 AI 搜索让 LLM 直接在结果页回答需求,点击状态不再能判定成功——点击可能不满意,不点击反而可能是成功消费答案的 good abandonment,而停留、滚动、改写等信号只有结合上下文才有意义。论文提出 Session Success Rate(SSR),由训练有素的标注者基于隐私保护的交互证据与录屏标注完整会话,再用查询事件、视口行为、结果页交互与语义改写等特征训练在线打分模型。6904 条标注查询上整体平衡准确率 0.75、会话级 0.68;样本显示 53.2% 的放弃实为成功、6.5% 的点击实为失败。约 4000 个生产实验中 SSR 的二值敏感度约为 Sessions per User 的 2.5 倍,支持在固定流量预算下降低分流比例、提升实验吞吐。对做生成式搜索/推荐实验度量的团队,这是把"无点击≠失败"落成可上线指标的重要参考。

🎯 今日主题:Agent 推荐的奖励信号:生成式 RM 还是 verifier 判定?

Agent 化推荐把系统输出从一条 item 列表换成了一串决策:RecPilot 让 agent 代替用户逛商品池并写出调研报告 [Meituan],奖励设计随之从「这次点击是否发生」变成「这条轨迹是否可信」。一旦输出是轨迹,好坏就不能靠单次反馈判定,必须显式写出奖励。今天几篇工作站在三个不同位置:E-GenRM 把奖励做成生成式模型,直接生成偏好判断与理由 [Alibaba];RecPilot 用 model-free process rewards 训练轨迹模拟 agent,并用 structured rubrics 刻画用户偏好 [Meituan];CADRE 用 verifier 引导多个专家 agent 辩论,裁决 query-product 相关性 [Tencent]。同一个问题——agent 行为的好坏由谁判定——出现了三条互不相同的答案。

轨迹级还是证据级:奖励粒度决定 RM 能否定位错误

RecPilot 明确选了过程奖励而不是结果奖励:把用户轨迹模拟建模成生成问题,用 model-free process rewards 的强化
  • 推荐系统
  • 日报
  • AI 技术日报 - 2026-11-05AI 技术日报 - 2026-11-04
    Loading...