小红书精读：Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation

别再忽略触发品了！CRRN的新解法🎯

💡 各位算法同学们，有没有发现电商里“点进一个商品后，下面推荐一溜相似款”的场景越来越重要？但大多数CTR模型并没有专门建模那个“触发品”和“推荐品”之间的相关性。这篇来自淘宝天猫的论文稳准狠地补上了这个缺口，提出了CRRN，既拿了SOTA还开源了代码，是能直接复现的那种。

📄 Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation

⚙️ 技术创新点可以总结成三点： 🧩 Trigger-Target Interaction层：用显式+隐式交叉的门控机制，把触发品和目标品的共线特征（同品牌/同品类/同价位）强化出来。 🔧 Cascading Interest Fusion：先用multi-head attention提取个性化行为兴趣，再级联上触发注意力，并用预测出来的“触发意图”概率和余弦相似度，把即时兴趣和个性化兴趣自适应加权融合。 ⚗️ Category-assisted Pairwise Loss：引入类别相关性，把排序关系变成“点击数且相关 > 点击数不相关 > 曝光且相关 > 曝光不相关”的四层顺序，直接在loss层面教模型看重触发相关性。

📊 实验效果： ✅ 在两个数据集（工业级+公开）上都超过了DIHN、DEI2N等近期SOTA，离线指标全面领先。 📈 线上A/B测试同样验证有效，说明真实点击率上有增量。 🎯 图3揭示同品类触发-目标的平均CTR明显更高，这也是模型重点建模相关性的原因。

✨ 总结感想： 这个框架对做电商推荐、尤其是TIR场景的同学很有参考价值。几个模块都是可插拔的，落地难度不大。不过要注意pairwise loss需要构造四元组，数据量大的时候训练会更重，别盲目堆参。

原文：AlphaXiv