小红书精读：Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay

谷歌如何把推荐系统的“陈旧”拆解掉？

各位算法同学们，你有没有想过，一个推荐系统里用户抱怨最多的“内容太旧”问题，居然能靠两个模型把根因拆开分别干掉？谷歌在Google Discover上部署了一套叫SDF的过滤框架，两年内用户反馈的陈旧内容报告直接降了54.9%。这篇是CIKM ‘26的工作，一整套从数据生成到线上部署的完整闭环，做推荐或者内容生态的值得看一看。

📄 Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay

🔧 技术创新点：第一个是把“陈旧”拆成两个独立机制——supersession（新内容把旧内容顶掉）和decay（内容本身随时间贬值），分别建模。第二个是supersession用LLM生成标注数据，再蒸馏成小模型做pairwise判断，还加了NLI辅助训练，让模型学会“谁把谁变旧”。第三个是decay用了一个多模态多任务模型PTR，直接预测内容在多个时间窗口（12h到14d）的流量占比，来判断是否已过生命周期，两个过滤器用OR逻辑融合，在排序前直接剪枝。

📊 实验效果：离线方面，关系陈旧模型在人工标注集上precision 83.5%，recall 95%；PTR在7天阈值下F1随人工标注一致度从78%升到87.5%。线上A/B测试里，SDF整体的prevalence delta达到了-6.91%，而基线只有-0.10%。长期部署回报上，两年内总陈旧反馈降54.9%，其中supersession降64%，decay降34%。另外SDF还省了8.74%的serving CPU和TPU耗时，候选剪枝确实省钱。

总结一下：这个工作的核心价值在于把“旧”这个模糊概念拆成了可建模的两个信号，并且用了LLM+蒸馏的务实路线解决标注成本。如果你是做内容推荐或者搜索的，值得关注的是它怎么设计PTR的训练标签——用搜索点击而不是浏览日志来避免曝光偏差，这个点很细。落地的话，政治评论类内容依然是识别难点，还有用户“看过了”造成的陈旧感不在这个框架范围内，需要另外考虑。

原文：AlphaXiv