推荐算法日报 · 2026-09-17
总览
今天这批货数量不多但质量挺顶，两篇都是能直接上手抄作业的类型，而且凑巧撞在同一个母题上——到底什么才是真正涨点的东西。快手那篇做低活用户序列增广的，思路我挺买账：别人都在协同信号里卷，它把图文多模态用 Stein kernel 对进统一空间再去做检索，越稀疏的数据集涨得越多，单模态反而掉到基线以下，这个消融基本把故事讲圆了，而且线上数亿用户跑了两周 A/B 已经上主流量，属于少数能拿业务指标背书的工作，不过它用户侧表征就是历史 item 向量平均池化、时序全丢，检索阈值怎么定、会不会把流行度偏置和兴趣同质化一起带进来，正文一个字没交代。KDD Cup 2026 UniRec 那篇更狠，第 10 名方案老老实实做 leave-one-out，结论相当反直觉：dense 特征表示栈扛了约 65% 的增益，序列建模侧那一堆花活全落在种子噪声带里等于没干活，还不藏着掖着地告诉你验证 AUC 被 iid 划分系统性抬高、抗记忆改动会符号反转——这种负结果和评估陷阱的密度，比排名本身值钱得多。所以今天的主线就一条：别急着堆结构，先搞清楚增益到底来自哪一层，两篇一个给正面样本一个给反面教材，配着读刚好。真要我挑，今天优先看 KDD Cup 那篇的消融和评估分析，再回头看快手的多模态对齐检索，一个治思路一个给方法，性价比最高。
论文列表
1. MARS: Modality-Aligned Retrieval for Sequence Augmented CTR Prediction
- 论文链接：AlphaXiv
- 更新时间：2026-09-17 06:20 UTC
- 机构：未披露机构
- 工业优先级：强
低活用户CTR差？用图文对齐捞相似序列
各位算法同学们：快手上大约35%的用户一个月行为不到1000条，而CTR模型的建模长度已经从10的3次方卷到10的6次方——序列越长，这批低活用户越吃亏。这篇KDD’25的工作换了个思路：行为不够，就从别的模态里借。
📄 MARS: Modality-Aligned Retrieval for Sequence Augmented CTR Prediction
🔧 增强不再只吃协同信号。物品文本用LLaMA编码、图像用ViT编码，再通过Stein核做跨模态分布对齐，把图文压进同一个语义空间，好处是不依赖负采样和大batch，训练更稳。
🧩 增强方式很直接：用对齐后的多模态用户embedding，给每个低活用户检索最相似的高活用户，再按item-user相似度过滤，最后把对方的序列拼进低活用户的历史里。
⚙️ 对齐损失里加了熵正则，防止embedding空间塌缩，保证检索出来的邻居有区分度，而不是一锅端。
📊 快手线上A/B中核心业务指标有增长，已上线服务数亿用户的主流量。
📈 论文给的分布数据是35%用户一个月行为少于1000条，这正说明长序列模型的红利覆盖不到这部分人。
✅ KDD’25，代码匿名开源，仓库 github.com/wangshukuan/MARS，可以自己跑。
总结：这套方法对做低活、稀疏场景排序和召回的团队有直接参考价值，本质是把多模态对齐当成检索的底座。要盯的指标是检索过滤后的序列噪声比例，以及多一路检索加过滤带来的线上延迟；坑在于把高活用户的序列塞进低活用户历史，容易引入语义漂移，过滤阈值设松了会反噬。
2. Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge
- 论文链接：AlphaXiv
- 更新时间：2026-09-17 06:52 UTC
- 机构：Z Lab
- 工业优先级：中
- 备注：6 pages, 1 figure, 4 tables. KDD Cup 2026 Tencent UniRec Challenge Workshop
CVR涨点靠dense表示不靠序列建模
各位算法同学们，KDD Cup 2026 UniRec 这道 CVR 赛题里，把 AUC 从 0.813237 拉到 0.828535 的，并不是更精细的序列建模。作者用 leave-one-out 的方式逐个拆模块，看排名分掉多少，结论有点反直觉——真正扛收益的是 dense 特征表示和优化器，序列侧组件几乎没边际贡献。
📄 Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge
🔧 dense 表示栈：把池化的用户 dense 字段拆成 5 个子组 token，对重尾列（量级能到 1e9）做 log1p，再补上对齐配对投影、item 侧拆分和原始统计通道。
🧩 合并单流序列：所有行为域合成一条按时间排序的流，用递减 top-k 压缩编码（LONGER 思路），再接入 TAPF 的目标条件极性通道，用零初始化极性 bias 加一个 gate 把正负行为分开。
⚙️ 优化器这块：dense 参数用 AMUSE（Muon 家族，正交化更新）配 EMA 选模型；稀疏 embedding 用 Adagrad 加自适应正则，专门压制稀有 ID 的记忆。
📊 15 步单变量链把 test AUC 从 0.813237 提到 0.827816，最终提交 0.828535，排第 10。
📉 拆掉 dense 表示栈掉 0.0095 AUC，拆掉正交化优化器掉 0.0028，两处基本就是全部增益。
✅ 反过来，合并单流 backbone、极性通道、辅助头、per-token FFN 这些序列侧组件，单独拆掉都不到 0.0005，落在 ±0.0004 的种子波动带里。
⚠️ 还有个坑：按 row group 切分的验证集和 leaderboard 共用一个时间窗，validation AUC 比榜上高约 0.014，防记忆和高基数 ID 的改动甚至会反号。
这篇更像一份“哪一步真的有用”的实证报告，不是新结构。做工业 CVR 的话，先动 dense 侧的特征拆分、log1p 和优化器，比堆序列长度划算；同时别信共时间窗的验证集，决策必须看留出榜。序列建模在这个数据规模上，边际收益是真的小。