推荐算法日报 · 2026-09-09
总览
今天这批货整体偏工业向，没有太多花哨的新模型，但两篇都踩在真实痛点上前进：一篇是电商互补推荐的落地复盘，另一篇是营销发券场景下的因果纠偏。前者最有意思的不是双塔或Adapter本身，而是他们花力气建ComCat映射，把规则、人工、LLM和统计整合成可更新的目标类目字典，模型和知识解耦，这个工程思路值得借鉴；同时还用线上AB揭示了一个反直觉的结论——纯互补在商品页organic场景打不过混入同类替代品的方案，说明用户要的从来不只是“补全”，还有“可换”。后者是完整的因果推断框架，把发券导致的CTR偏置显式建模，并在logit空间假设券效单调线性上升，省去逐券值估CATE的麻烦，线上ROI和校准都明显改善，属于能直接抄作业的实战方案。今天优先细读Allegro那篇的消融分析和线上发现，以及快手这篇对偏置来源的定义。
论文列表
1. Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
- 论文链接：AlphaXiv
- 更新时间：2026-09-04 12:25 UTC
- 机构：Allegro.com，NVIDIA
- 工业优先级：强
- 备注：Recsys 2026: OARS workshop
推镜头还是三脚架？互补推荐实战拆解
各位算法同学们，当用户把相机加进购物车，你该推镜头、三脚架还是另一台机身？很多模型分不清“一起买”和“真互补”，这篇文章用一个控制不了噪声的工业级方案，告诉你互补推荐到底该怎么落地。
📄 Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
🔧 核心创新是AlleCompanion，在双塔模型里加了Category Adapter，显式把query和互补类别embedding拼起来，召回时直接限定在逻辑互补的类别边界内，而不是靠纯行为信号自由发挥。
🧩 为了解决噪声问题，他们搞了个ComCat，把专家规则、人肉反馈、LLM推理和统计挖掘融合成一张可维护的类别映射，相当于给模型装了个可控的“翻译层”。
⚙️ 额外用category reconstruction loss做辅助训练，让最终query embedding能还原出目标互补类别，增强类别判别力，在线下和线上都吃得开。
📊 整个框架在Allegro真实部署，覆盖每月超2000万活跃用户，卖家数超15万。 📈 线上A/B测试里，有机发现场景的归因GMV显著上涨，赞助位收入也明显变好，说明互补推荐确实能带来商业增量。 ✅ 离线实验验证了过滤“狗粮+猫粮”这类纯共买噪声的有效性，类别约束能让召回结果更符合真实用户需求。
个人觉得，这方案最妙的地方是用ComCat做了一层可控干预，没被黑盒模型带偏。但落地时别忽略规则和LLM的维护成本，小平台如果想抄作业，建议先评估自己有没有足够多的类目映射标注。
2. Jointly Optimizing Debiased CTR and Uplift for Coupons Marketing: A Unified Causal Framework
- 论文链接：AlphaXiv
- 更新时间：2026-09-08 12:52 UTC
- 机构：Kuaishou Technology，Beijing Institute of Technology，Independent Researcher
- 工业优先级：强
- 备注：8 pages. Accepted at CIKM 2026
🎯 券的刺激和真实兴趣，要分开算
各位算法同学们，优惠券带来的点击里，到底多少是用户本来就想点，多少是券刺激出来的？常规CTR模型很容易把这笔账混在一起，导致基础CTR预估偏移。快手这篇工作把去偏CTR和uplift放进同一个因果框架联合优化，思路清晰，落地细节不少。
📄 Jointly Optimizing Debiased CTR and Uplift for Coupons Marketing: A Unified Causal Framework
🔧 提出Deconfounded Causal Representation层，把用户特征中的混淆因子和treatment敏感表征拆开，从根源减弱选择偏差对CTR的污染。 🧩 用Counterfactual X-Network在全样本空间同时重建去偏base CTR和强度响应曲线，让事实与反事实预测互相牵制，缓解观测数据缺口。 ⚙️ 针对连续多值优惠券，引入Latent Unit Sensitivity（uCATE），假设券在logit空间对用户施加线性单调偏移，从而表达边际递减；再配合辅助强度估计任务和unit uplift目标，让不同面额的增量可比。
📊 合成数据和大规模工业数据集上，UniMVT在预测精度和校准上都优于现有对照方法。 📈 真实A/B测试同样验证了更有效的券分发能显著提升业务指标。
总结一下：这套方法对做营销预算分配、优惠券场景排序的同学有参考价值。落地的坑主要在假设上——logit空间线性单调不是对所有业务都成立，而且多值treatment的倾向性估计一旦偏了，uCATE也会跟着不稳。想复现的话，建议先在自己数据上看看基础CTR和增量部分能否被干净地分离。
