推荐算法日报 · 2026-10-14
总览
今天这批只有两篇，但都在啃硬骨头：一篇讲超长用户序列怎么既便宜又不丢目标信息，一篇讲 bundle 推荐里 user-item-bundle 这种三元关系怎么一股脑塞进超图。UxSID 是我今天最想推的一篇，它没在「逐候选搜索太贵」和「统一压缩丢信息」之间二选一，而是用 SID 做语义分组、按组共享兴趣记忆，最实在的是在线只做 O(1) 查表、序列拉到 10k 延迟基本不变，而且有一周线上广告 A/B 撑着——虽说目前只有广告场景、作者自己也标了 work in progress，但这是今天唯一一个能讲完整落地故事的。另一篇超图 bundle 推荐走的是暴力美学路线，跨类型块和阈值化生成的同类边全保留、item-item 直接置零，指标确实涨得漂亮，NDCG 涨幅普遍大于 Recall 说明赚的是排序不是召回覆盖，可代价太狠了，内存是 CrossCBR 的八倍多、iFashion 直接 OOM，验证集协议偏松又没有独立测试集和多种子，所以只能算离线数字。两篇在方法层面都有值得抄的设计，但证据强度差了一档：一个是能往工程里推的方案，一个是需要先解决内存和评测规范再谈落地。今天优先看 UxSID，重点抠它的语义分组和离线预计算缓存那套；超图那篇当对照读物翻翻就行，别被涨幅冲昏头。
论文列表
1. UxSID: Semantic-Aware User Interests Modeling for Ultra-Long Sequence
- 论文链接：AlphaXiv
- 更新时间：2026-10-09 08:29 UTC
- 机构：未披露机构
- 工业优先级：强
- 备注：Work in progress
长序列推荐第三条路，10k序列常数推理
各位算法同学们，长序列建模不一定要在“每个候选都检索一遍”和“压成一坨用户向量”之间二选一。UxSID 走的是中间态：用 Semantic ID 把兴趣压缩成语义组共享的记忆，序列拉到 10k 级别线上仍是常数级推理，广告 A/B 收入涨了 0.337%。
📄 UxSID: Semantic-Aware User Interests Modeling for Ultra-Long Sequence
🔧 第三条路：语义组共享兴趣记忆。既不做 item-specific 的逐候选检索，也不做 item-agnostic 的静态压缩，而是让同一 SID 语义簇下的候选共享同一份压缩后的用户兴趣，保留目标相关性，但只暴露有限信号去引导压缩方向。
🧩 两级注意力拆成“压缩 + 探测”。IAIC 先把异构历史压成一组可学习兴趣锚点，用 PFFN 加正交约束逼每个锚点抓不同偏好面，防止表征塌缩；分层语义探测再从超长序列抽全局细粒度信号，用门控语义 query 动态融合压缩兴趣，放大目标相关、过滤噪声。
⚙️ 离线 embedding 和线上推理严格对齐，端到端训，不靠特判。
📊 公开 benchmark 上超过 SOTA，对比的是 SIM、TWIN 这类检索派和 MIMN、LURM、C-Former 这类压缩派。
📈 快手大规模线上 A/B，广告收入 +0.337%。
✅ 序列扩到 10k 交互量级，推理时间与资源占用保持常数级，满足了毫秒级延迟约束。
总结一句：这篇主要对做工业推荐、被长序列 serving 延迟卡住的人有用。要盯的不是离线 AUC，而是序列继续往上加时延迟曲线是不是真的平；另外 SID 质量基本决定上限，RQ-VAE 那套量化如果和业务语义对不齐，压缩出来的兴趣记忆可能只是换个方式丢信息。
2. Hypergraph-Enhanced Dual Convolutional Network for Bundle Recommendation
- 论文链接：AlphaXiv
- 更新时间：2026-10-07 11:10 UTC
- 机构：未披露机构
- 工业优先级：中
超图+双通道，捆绑推荐涨了7%？
各位算法同学们，捆绑推荐里那个老毛病又被人拿出来治了：物品信息要传到捆绑分数上，中间得绕好几跳，绕完信号也淡了。这篇干脆把 user–bundle、user–item、bundle–item 三类关系全塞进一张超图，NetEase 上六个指标一起涨 5%~7%。
📄 Hypergraph-Enhanced Dual Convolutional Network for Bundle Recommendation
🔧 构造了一张“完整超图”：三类交叉关系全部保留，另外补上 intra-user 和 intra-bundle 的同类型关系，靠共享邻居计数加阈值 n 筛出来。注意“complete”指的是覆盖指定关系类型，不是 all-to-all 全连接。
🧩 双通道传播：一条在完整超图上传播带物品的高阶上下文，另一条只在 user–bundle 图上传播以保住排序信号，最后按 α、β 加权相加而不是拼接，维度不变、不额外增参。item 表征只走第一条通道。
⚙️ 卷积本身没有特征变换和非线性，逐层聚合照搬 LightGCN 的加权方式，损失用 UIB。所以新意不在卷积算子，在关系怎么建、两条通道怎么耦合。
📊 NetEase 上 HED-128 比最强 baseline 在六个指标上提升 5.04%–6.97%；Youshu 上 HED-64 提升 1.87%–4.56%。
📈 这六个指标是 Recall 和 NDCG 各三个 cutoff，不是单点挑出来的好看数。
✅ 消融显示 user–bundle 分支和 intra-type 关系都有贡献，超参灵敏度分析给出了稳定区间。
⚠️ 论文自己把完整超图的内存和计算代价摊开写了，这点比很多同类工作实在。
判断一下：如果你做的是游戏、音乐这种打包售卖场景，而且三张交互矩阵都拿得到，这套关系构造可以照着搭；但共享邻居阈值 n 是数据集特定的，原始计数天然偏向活跃用户和热门 bundle，换数据得重调。上手前先量一下内存峰值，超图随实体数膨胀，这一关往往比精度更早卡住你。
