小红书精读：Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro

推镜头还是三脚架？互补推荐实战拆解

各位算法同学们，当用户把相机加进购物车，你该推镜头、三脚架还是另一台机身？很多模型分不清“一起买”和“真互补”，这篇文章用一个控制不了噪声的工业级方案，告诉你互补推荐到底该怎么落地。

📄 Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro

🔧 核心创新是AlleCompanion，在双塔模型里加了Category Adapter，显式把query和互补类别embedding拼起来，召回时直接限定在逻辑互补的类别边界内，而不是靠纯行为信号自由发挥。

🧩 为了解决噪声问题，他们搞了个ComCat，把专家规则、人肉反馈、LLM推理和统计挖掘融合成一张可维护的类别映射，相当于给模型装了个可控的“翻译层”。

⚙️ 额外用category reconstruction loss做辅助训练，让最终query embedding能还原出目标互补类别，增强类别判别力，在线下和线上都吃得开。

📊 整个框架在Allegro真实部署，覆盖每月超2000万活跃用户，卖家数超15万。 📈 线上A/B测试里，有机发现场景的归因GMV显著上涨，赞助位收入也明显变好，说明互补推荐确实能带来商业增量。 ✅ 离线实验验证了过滤“狗粮+猫粮”这类纯共买噪声的有效性，类别约束能让召回结果更符合真实用户需求。

个人觉得，这方案最妙的地方是用ComCat做了一层可控干预，没被黑盒模型带偏。但落地时别忽略规则和LLM的维护成本，小平台如果想抄作业，建议先评估自己有没有足够多的类目映射标注。

原文：AlphaXiv