小红书精读：ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta

✨ Meta新作：社交网络+LLM做推荐

各位算法同学们，今天分享一篇Meta发表的推荐系统论文：ConnectionMind。它把社交网络结构和LLM结合起来，把推荐建模成图上的路径推理，既带了社交信号，又能解释推荐理由，非常值得读。

📄 ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta

🔧 第一个创新是把推荐变成异构图上的路径发现：用户、好友、群组、创作者和内容都作为节点，LLM策略在多跳路径上做选择，而不是把所有邻居压成embedding。 🧩 第二个创新是两阶段训练：先用SFT在历史交互轨迹上让模型学会合法的图游走，再用强化学习（GRPO）端到端优化推荐质量，奖励里同时考虑了格式、推荐F1和逐步路径一致性。 ⚙️ 第三个创新是生产部署的教师-学生混合推理：最活跃的5-10%用户走完整LLM推理，其余流量由一个离线蒸馏的轻量GNN学生模型模拟，延迟降到毫秒级。

📊 在公共数据集Delicious和Foursquare上，8B模型Recall@5达到0.0631，Foursquare上Recall@10达到0.0966，都超过所有传统社交推荐基线。 📈 离线对比Meta生产GNN基线，Recall@10相对提升88%；对比70B纯LLM排序也明显更优。 ✅ 线上A/B测试覆盖数千万用户、持续多周，视频曝光+0.33%，观看时长+0.43%，视频会话+0.22%，全部统计显著。

总结：这个思路把LLM的推理能力用在了社交图谱上，方向很扎实。落地瓶颈主要是生成延迟，蒸馏方案很务实。值得跟进，但别期待线上收益是数量级提升，成熟系统里零点几个百分点已经很值了。

原文：AlphaXiv