小红书精读：MARS: Modality-Aligned Retrieval for Sequence Augmented CTR Prediction

低活用户CTR差？用图文对齐捞相似序列

各位算法同学们：快手上大约35%的用户一个月行为不到1000条，而CTR模型的建模长度已经从10的3次方卷到10的6次方——序列越长，这批低活用户越吃亏。这篇KDD’25的工作换了个思路：行为不够，就从别的模态里借。

📄 MARS: Modality-Aligned Retrieval for Sequence Augmented CTR Prediction

🔧 增强不再只吃协同信号。物品文本用LLaMA编码、图像用ViT编码，再通过Stein核做跨模态分布对齐，把图文压进同一个语义空间，好处是不依赖负采样和大batch，训练更稳。

🧩 增强方式很直接：用对齐后的多模态用户embedding，给每个低活用户检索最相似的高活用户，再按item-user相似度过滤，最后把对方的序列拼进低活用户的历史里。

⚙️ 对齐损失里加了熵正则，防止embedding空间塌缩，保证检索出来的邻居有区分度，而不是一锅端。

📊 快手线上A/B中核心业务指标有增长，已上线服务数亿用户的主流量。

📈 论文给的分布数据是35%用户一个月行为少于1000条，这正说明长序列模型的红利覆盖不到这部分人。

✅ KDD’25，代码匿名开源，仓库 github.com/wangshukuan/MARS，可以自己跑。

总结：这套方法对做低活、稀疏场景排序和召回的团队有直接参考价值，本质是把多模态对齐当成检索的底座。要盯的指标是检索过滤后的序列噪声比例，以及多一路检索加过滤带来的线上延迟；坑在于把高活用户的序列塞进低活用户历史，容易引入语义漂移，过滤阈值设松了会反噬。

原文：AlphaXiv