小红书精读：SetMIR: Multi-Interest Retrieval as Set Prediction

SetMIR：兴趣不塌，召回查询省33%

各位算法同学们，K个兴趣向量练到最后变成1个，这事你遇到过吗？Snap的SetMIR把多兴趣召回当成集合预测来做，用匈牙利匹配做一对一分配，再靠presence score动态决定发几个查询，最后每个请求少发33%的ANN查询，兴趣还不塌。

📄 SetMIR: Multi-Interest Retrieval as Set Prediction

🔧 把多兴趣召回建模成集合预测，K个可学习的query通过transformer decoder解码出K个兴趣embedding，每个embedding还带一个presence score，表示这个兴趣在当前请求下是否激活。

🧩 训练时用匈牙利匹配把目标商品和query做一对一分配，匹配上的query收到检索梯度，没匹配上的query收到显式absence监督，从源头避免兴趣坍缩，不靠辅助正则。

⚙️ 推理时不再固定发K个ANN查询，而是用presence score加query级NMS，只发激活且不冗余的查询，实际查询数每请求平均少1/3。

📊 在Snap DPA数据上，SetMIR在所有指标上超过4个多兴趣召回基线，同时每个请求少发33%的ANN查询。

📈 在DPA生产栈上线后，整体CVR提升3.1%。

✅ 与item-to-item召回源对比，在相同item embedding、ANN索引和检索配额下，SetMIR带来CTR提升44%、CVR提升51%。

如果你们的多兴趣模型已经出现坍缩且查询成本偏高，可以直接拿SetMIR做对比试验；否则先观望，因为它的训练流程比常规多兴趣模型复杂不少，匈牙利匹配和presence head的联调需要一些成本。

原文：AlphaXiv