推荐算法日报 · 2026-08-26

1 minute read

总览

今天这批货整体偏工业落地，六篇里有五篇都带着真实系统或亿级数据的痕迹，读起来比纯理论爽快。值得拎出来的主线有两条：一是推荐系统里显式结构正在回归，比如用分布头直接预测观看时长、在trigger推荐里显式建模相关性，都是把业务直觉硬塞进模型结构，而且都拿了线上A/B或大规模离线收益；二是生成式推荐和LLM的落地开始被泼冷水，推理轨迹质量跟推荐效果脱钩、富化元数据只在稀疏场景有效，这两篇建议放在一起读，能帮你省下不少盲目追热点的算力。最值得细读的是那篇观看时长分布建模，坑和诀窍写得非常实，另一个是llm能力发现的缩放曲线，交叉点数据很扎心。今天优先看这两篇，其他的可以扫一眼结论就够了。

论文列表

1. Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction

  • 论文链接：AlphaXiv
  • 更新时间：2026-08-24 15:06 UTC
  • 机构：未披露机构
  • 工业优先级：强
  • 备注：16 pages, 8 figures, 7 tables, accepted at IEEE International Conference on Data Mining (ICDM 2026)

EGMN会崩？HEGM：时长预测更稳了

各位算法同学们，你以为SOTA的时长分布预测模型就稳了吗？这篇论文用大规模复现实验告诉你，EGMN会方差坍缩、组件冗余、还有一堆不干活的分量，排名甚至干不过简单回归。作者基于此提出了HEGM，一个更稳的层次化混合模型，线上A/B测试还涨了9.26%的会话深度。

📄 Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction

🔧 第一点：作者先给EGMN做了个“体检”，发现它在工业规模下容易方差坍缩，也就是某个高斯分量的方差趋近于零，导致NLL很低但预测失真；同时组件冗余和无效分量浪费了模型容量。这些诊断让改进有的放矢。

🧩 第二点：HEGM把时长分布拆成“跳过”和“观看”两个层次，用指数分布建模快速跳过，高斯混合建模真实观看，避免强制高斯偏移，这样结构上更贴合短视频消费行为。

⚙️ 第三点：加入KL方差正则化防止方差坍缩，并用结构化初始化让每个分量一开始就有明确分工，同时去掉了原来的熵正则器，最终在稳定性和可解释性上明显改善。

📊 在KuaiRec和VK-LSVD公共数据集上，HEGM相比EGMN提升了XAUC排序质量和阈值事件预测AUC，点估计MAE/MSE也保持同等水平。

📈 在282M交互的工业数据集上，同样验证了排序和阈值预测优势，混合分量利用率更高，不再有“死分量”。

✅ 线上跑了一个半月的A/B测试，会话深度显著提升+9.26%，且计算开销可接受，代码已开源。

总结一下，这篇的价值在于把EGMN的“暗病”挖了出来，并给出了可复现的修法。如果你是做短视频推荐或时长预测的，值得盯一下XAUC和阈值AUC这两个指标，别只看NLL。坑就是KL正则化和初始化对超参有点敏感，上线前需要多调一调。

2. Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation

  • 论文链接：AlphaXiv
  • 更新时间：2026-08-24 08:33 UTC
  • 机构：未披露机构
  • 工业优先级：强

别再忽略触发品了！CRRN的新解法🎯

💡 各位算法同学们，有没有发现电商里“点进一个商品后，下面推荐一溜相似款”的场景越来越重要？但大多数CTR模型并没有专门建模那个“触发品”和“推荐品”之间的相关性。这篇来自淘宝天猫的论文稳准狠地补上了这个缺口，提出了CRRN，既拿了SOTA还开源了代码，是能直接复现的那种。

📄 Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation

⚙️ 技术创新点可以总结成三点： 🧩 Trigger-Target Interaction层：用显式+隐式交叉的门控机制，把触发品和目标品的共线特征（同品牌/同品类/同价位）强化出来。 🔧 Cascading Interest Fusion：先用multi-head attention提取个性化行为兴趣，再级联上触发注意力，并用预测出来的“触发意图”概率和余弦相似度，把即时兴趣和个性化兴趣自适应加权融合。 ⚗️ Category-assisted Pairwise Loss：引入类别相关性，把排序关系变成“点击数且相关 > 点击数不相关 > 曝光且相关 > 曝光不相关”的四层顺序，直接在loss层面教模型看重触发相关性。

📊 实验效果： ✅ 在两个数据集（工业级+公开）上都超过了DIHN、DEI2N等近期SOTA，离线指标全面领先。 📈 线上A/B测试同样验证有效，说明真实点击率上有增量。 🎯 图3揭示同品类触发-目标的平均CTR明显更高，这也是模型重点建模相关性的原因。

✨ 总结感想： 这个框架对做电商推荐、尤其是TIR场景的同学很有参考价值。几个模块都是可插拔的，落地难度不大。不过要注意pairwise loss需要构造四元组，数据量大的时候训练会更重，别盲目堆参。

图 1（方法 / 架构）

3. Towards a Densing Law for User Representation Learning at Billion-Scale Capacity

  • 论文链接：AlphaXiv
  • 更新时间：2026-08-24 15:38 UTC
  • 机构：未披露机构
  • 工业优先级：强
  • 备注：28 pages, 13 figures, technical report

💥 堆数据不如提密度？用户表征有定律

💥 各位算法同学们，用户行为序列从30天拉到270天，原始数据建模的AUC只涨了1.6个点，而tokenized表示能涨2.5个点，差距不是调参能补的。这篇工作将这个规律总结成“行为稠密定律”，并给出自适应token分配方法，做大规模用户表征的团队值得看看。

📄 Towards a Densing Law for User Representation Learning at Billion-Scale Capacity

🔧 技术创新点： 🔧 提出 User Behavioral Densing Law：在千亿级支付宝数据上验证原始数据扩展撞墙，用理论加实验拟合出最小充分token容量与输入token数的对数尺度近似线性关系，斜率随tokenizer和数据源变化。 🔧 揭示 raw data scaling wall：当把编码器从0.2B扩到0.4B参数时，预训练loss下降但下游AUC几乎不变，说明数据信息密度才是瓶颈。 🔧 设计 ALGN：根据量化残差和表达不确定性给每个样本分配不同长度token，高信息熵行为多给码，低信息熵行为少给码，逼近最小充分容量。

📊 实验效果： 📊 序列长度从30天扩到270天时，tokenized模型AUC从72.28升到74.78，raw模型只从72.36升到73.96，差距从0.08扩大到0.82。 📈 用户量从1000万扩到1亿时，tokenized模型AUC从73.39升到74.56，raw模型从73.47升到73.92，tokenization的提升约是raw的2.6倍。 ✅ 编码器参数从0.2B翻倍到0.4B时，raw数据下下游准确率几乎不变。

💬 总结感想：这个定律对已遇到原始数据扩展收益递减的团队很实用，配置token容量可以直接按数据量推算。但缩放斜率需要用自己的数据源和tokenizer先标定，跨域套用会有偏差；ALGN的可变长度机制会增加工程开销，但换的是容量效率。

图 1（方法 / 架构）

4. Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing

  • 论文链接：AlphaXiv
  • 更新时间：2026-08-24 01:21 UTC
  • 机构：未披露机构
  • 工业优先级：强
  • 备注：11 pages, 4 figures, and 12 tables

N=7278，LLM选工具崩了？换检索！

📌 各位算法同学们，当注册表里有7278个能力时，让LLM自己看清单选工具的准确率直接从0.85暴跌到0.12，而换一种思路只降到0.39。这篇工作把能力发现重新建模成搜索问题，对做agent平台的人有参考价值。

📄 Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing

🔧 离线富化：注册时用LLM把稀疏的name和描述改写成结构化profile（摘要、关键词、正反例），一次注册付一次钱，查询时不再调用。🧩 在线两段式：先BM25加向量检索捞top-k，再用LLM rerank打成短列表，全程不对候选做在线invoke，省掉试错成本。⚙️ 拆解指标：把端到端性能拆成检索recall和rerank条件准确率，发现大注册表下约70%的失败来自检索，rerank在规模变大后依然稳坐在0.70到0.87。

📊 从N=10到7278，in-context routing的Match@1从0.85崩到0.12，检索加重排从0.81缓降到0.39。📈 在Nova Micro上，交叉点在N约等于500，小于500直接全量塞上下文反而更划算。✅ 全规模时Match@1比Search&Pick高6.5个百分点，token成本约一半，比Full-Ctx便宜70倍。📉 重排器条件准确率保持在0.70到0.87，说明只要检索能捞到正确项，重排基本能把它放第一。

💡 对工具或Agent注册表超过500的平台，把上下文路由换成检索加重排是明确的升级方向，但别盲目补离线富化——在公共数据集上富化几乎没增益甚至掉点，它只对脏元数据有用。要盯的指标是Match@1和检索recall，下一步大概率得在召回上下功夫。

图 1（方法 / 架构）

5. TSWAP: A Multilingual Retrieval-Augmented Thai Wellness Advisor

  • 论文链接：AlphaXiv
  • 更新时间：2026-08-24 07:54 UTC
  • 机构：未披露机构
  • 工业优先级：中
  • 备注：8 pages, 2 tables. Data and evaluation logs: https://huggingface.co/datasets/iapp/tswap-wellness-benchmark

8语泰医RAG，零样本但量化有坑

✨ 各位算法同学们，一篇把RAG落地细节写透的论文：八种语言零样本，不微调模型，但一个量化坑直接让泰语变乱码——部署前必看。

📄 TSWAP: A Multilingual Retrieval-Augmented Thai Wellness Advisor

🔧 混合检索：稠密bge-m3加稀疏BM25，RRF融合，top10召回后cross-encoder重排序取3，相似度够高直接跳过重排。 🧩 强制检索路由：第一轮查询分类器把实体查询绑死tool_choice，杜绝模型从参数记忆里编推荐，这是“不微调”也能落地的关键。 ⚙️ 多语言零样本翻译-检索：八种语言共用英文prompt，先把查询翻译成泰语再检索，回答用用户语言，没有语言模板。

📊 发布首个泰医检索基准：50问，Recall@5=0.88，但草药和套餐子集只有0.75，短板明显。 📈 生产QA日志：259例test-retest通过率91.1%；无安全prompt时，模型会给出完整用药剂量表。 ✅ 无知识库时零条可验证推荐，证明检索是唯一可信来源；还发现4-bit AWQ量化会破坏泰语声调符号。

💡 这篇最值钱的是两个可迁移结论：量化要按目标语言校准，安全要靠路由而不是生成后过滤。对做多语言RAG的朋友，尤其是小语种，避坑意义大于技术新意。落地时记得盯泰语变音和紧急路由，别光调向量。

6. The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness

  • 论文链接：AlphaXiv
  • 更新时间：2026-08-24 11:58 UTC
  • 机构：未披露机构
  • 工业优先级：中
  • 备注：Accepted at the Recsys’26 Workshop on Agentic and Generative AI for E-Commerce

推理痕迹变好了，推荐效果反而降了？

各位算法同学们，今天这篇论文给生成式推荐泼了盆冷水：推理痕迹质量上去了，推荐效果反而没动。它用2×2因子实验把物品表示和语义对齐拆开，发现两条路都能让推理痕迹更可解释，但都带不动传统离线推荐指标。

📄 The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness

🔧 首次在共享Qwen3-1.7B骨架下，对语义ID和自然语言标题做受控对比，覆盖三个Amazon商品域。 🧩 把“物品表示”和“语义对齐程度”作为两个独立因子，SID需要额外对齐（对齐税），Title天然有语义，可以分开观察各自贡献。 ⚙️ 同时用SFT和GRPO训练，并引入LLM-as-a-judge的丰富奖励信号，看更高质量推理痕迹能否转化为推荐性能。

📊 显式推理痕迹在SID和Title上都降低了传统离线推荐效果（按用户留一交互评估）。 📈 自然语言标题产生的推理痕迹明显更可解释，但推荐效果没有跟着涨。 ✅ 大规模SID对齐提高了痕迹质量，却不提升排序效果；用LLM judge奖励后，推荐性能才部分恢复。

总结感想：对做生成式推荐的同学，这篇的价值是提醒你别只盯着推理痕迹的可读性，最终离线指标才是硬道理。SID的对齐成本可能白花，不如直接试Title或更丰富的优化目标。要盯的gap是“痕迹质量”和“召回/命中率”之间的脱节，坑在于更“合理”的推理反而可能干扰协同信号。

Updated: