推荐算法日报 · 2026-10-13
总览
今天这三篇数量不多但挺对味，基本都压在「生成式检索与推荐怎么做得更可控、更可评」这条主线上。一篇是快手那边把可控条件塞进检索模型的工业向工作，另一篇干脆把语义 ID 空间从头到尾系统性地拆了一遍，这两篇凑一块儿看，恰好是「落地」和「刨根」两种视角的对照。第三篇走的是另一条路，盯着用户意图模糊时推荐系统该怎么调度工具，做成了一个 benchmark，属于给 agent 化推荐补评测基建的活。要说最值得细读的，我个人投语义 ID 那篇一票，因为它给的更可能是能复用的结论而不是单点涨点，对做生成式召回的人直接有用；CRM 那篇则适合想抄落地思路的同学，重点看它在条件可控上是怎么做文章的。RecToolBench 偏框架型，如果你不做 LLM agent 方向的推荐，读个摘要知道有这么个评测就够了。今天就优先看语义 ID 那篇和 CRM，前者给方法论，后者给工程感觉。
论文列表
1. CRM: Retrieval Model with Controllable Condition
- 论文链接：AlphaXiv
- 更新时间：2026-10-09 08:54 UTC
- 机构：Kuaishou Technology，Unaffiliated
- 工业优先级：未标注
- 备注：4 pages. Revised version with improved presentation
快手把观看时长塞进召回塔了🎯
各位算法同学们，快手在召回阶段加了一个”期望观看时长”当输入，主站视频观看时长涨了0.372%，服务4亿用户——召回模型也能被”点菜”了。
📄 CRM: Retrieval Model with Controllable Condition
🔧 观看时长进用户塔：训练喂目标视频的真实时长，推理喂一个期望时长，不用重训就能调目标。物品塔完全不依赖条件，item embedding照旧预计算加ANN检索，这是它能上线的前提。
🧩 Transformer版借了Decision Transformer的结构，把watch-time-to-go条件token和item token交错成序列，目标时长相当于一个数值prompt，直接预测下一个item；DNN版就是用户塔多一列特征，线上跑的是Transformer版。
⚙️ 线上serving用时分复用：从最近32条历史里按概率p取最大值当条件，其余取平均值。因为平均条件涨播放和互动但总时长几乎不动，最大条件涨时长却容易推长视频、掉播放和互动。
📊 主站视频观看时长+0.372%，极速版+0.457%；总使用时长分别+0.175%和+0.196%。
📈 极速版播放量+0.324%、关注+0.828%、评论+0.697%，主站关注+0.447%。
✅ 和Swing、ComiRec、DimeRec、LTR、TDM、KuaiFormer六个召回方法在同场景比，CRM平均单次观看时长42秒，是这批里最高的。规模是4亿用户、每天50亿条日志。
想做多目标召回、把时长这类连续目标直接塞进召回的，这篇”条件进用户塔、物品塔不动”的结构可以直接抄，工程上不用重建索引。坑有两个：时长和互动在max条件下互相拉扯，p和窗口n都是线上调出来的超参，换场景要重调；条件只做了max/avg二选一，按请求个性化选条件还留在future work，这是目前最粗的一环。跟的话就盯总时长和播放量会不会一起掉。
2. RecToolBench: Benchmarking Recommendation-Specific Tool Orchestration under Fuzzy User Intent
- 论文链接：AlphaXiv
- 更新时间：2026-10-08 12:01 UTC
- 机构：未披露机构
- 工业优先级：未标注
- 备注：EMNLP Findings 2026
工具调用成功，推荐就对吗？🤔
各位算法同学们，先抛个反常识结论：工具调用的语法全对，最后推出来的东西照样可能是错的。这篇工作把”模糊意图下的工具编排”单独拎出来做成了 benchmark，戳的正是现在 agentic recommender 评测偏乐观的那块——老榜单要么假设用户把需求说得很清楚，要么只测单次函数调用。
📄 RecToolBench: Benchmarking Recommendation-Specific Tool Orchestration under Fuzzy User Intent
🔧 基于 MCP 搭了 13 个 server、32 个工具，覆盖商品、餐饮、位置三个场景，能力包括检索、评论情感、评分过滤、排序、地理推理、网页搜索，调用 schema 统一，换模型能直接跑。
🧩 任务按四级难度递进：L1 单工具、L2 并行多工具、L3 串行依赖链、L4 混合编排，重点考中间状态能不能跨步骤传递。
⚙️ 构造走 synthesize–fuzzify–judge 流水线：先生成明确意图的任务，再按欠指定、软矛盾、模糊量化词、偏好不确定、隐式约束五类方式抹掉工具名和步骤提示，最后过滤可解性与歧义合理性；评测同时用规则检查执行正确性和 LLM rubric 打 grounding 分。
📊 1288 个任务：L1 300、L2 631、L3 199、L4 158，分布为 Amazon 675、Yelp 465、Foursquare 148。
📈 L1 上小模型调用格式合法，但工具选错、参数填错。
✅ L2、L3 里 schema 合规率依然很高，参数落地、并行拆解、依赖追踪却明显跟不上。
🧠 L4 反差最大：规则分不低，Hit Ratio 和 grounding 分数掉得厉害，执行成功和推荐正确之间有一条稳定的沟。
总结：如果你在做 agentic 推荐或工具调用评测，这个集子比通用 tool-use 榜单更贴推荐场景，适合当回归测试集用。坑在于模糊化和 rubric 打分都留了主观空间，任务分布也不均衡。实际用的时候盯三个指标就行——参数落地准确率、串行链路里的中间状态传递、最终 Hit Ratio，别被”调用成功”这个数字骗过去。
3. A Systematic Study of Semantic ID Spaces for Generative Information Retrieval
- 论文链接：AlphaXiv
- 更新时间：2026-10-06 17:33 UTC
- 机构：Artefact Research Center，LERIA, Angers University
- 工业优先级：未标注
- 备注：8 pages, 3 figures, 1 table
DocID设计空间被系统性拆了一遍
各位算法同学们，生成式检索里能不能把对的文档召回回来，很多时候在你训练之前就被DocID的构造方式定死了，但大多数工作只固定一种量化方法加一组超参就直接开跑。
📄 A Systematic Study of Semantic ID Spaces for Generative Information Retrieval
🔧 把PQ和RQ塞进同一个参数化框架：先把文档向量切成C个子空间，每个子空间内部再做L步残差量化，DocID长度M=C×L。C=1退化成RQ，L=1退化成PQ，中间C、L都大于1的那块就是新的混合PQ×RQ，也是之前没被系统扫过的区域。
🧩 混合方案给了两种码本训练方式：PQ×R-KMeans逐层在残差上跑k-means，PQ×R-VQ端到端按重建损失学。作者特意跟OneSearch划清界限——后者只在全局RQ的最后一层残差上做PQ，这里是从头就把向量切成C路并行层级再各自做深度。
⚙️ 还定义了一套免训练的内在指标：唯一率U（不同文档撞同一个DocID会机械地压住召回上限）、归一化熵H（看码字用得均不均、有没有塌缩）、共享语义相似度S、对比对齐保持率A（采1000个有效三元组，看离散DocID的远近和连续向量相似度的排序一致到什么程度）。
📊 MS MARCO 300K上跑了60组配置，NQ320K上48组，把编码方式、码本大小V、DocID长度M、码本训练方式的影响分别拆开看。
📈 之前的工作基本固定单一量化方法和固定的V、M，平行（PQ）和残差（RQ）被当成两个互不相干的阵营，混合配置没被成规模地扫过，这篇补的就是这块空白。
✅ 这组指标的价值在训练前：先诊断DocID空间的结构可用性，而不是每次都训完一个生成模型再靠下游效果反推。
总结：正在做GIR、准备挑DocID编码方案的同学可以直接拿来当筛子。我会先看U有没有因为重复文本撞到上限，再看H有没有塌缩到少数几个码字，然后把S、A和下游Recall放一起看排序是否一致——不一致就说明这套代理指标在你的语料上不成立，别硬套。两个坑：一是摘要和正文里没给出下游检索的绝对数字，想抄具体配置还得翻全文；二是这些指标都是相对比较用的，没有绝对阈值。