小红书精读：Routing Between Generative and Collaborative User Profiles: A Serving-Time Gate for Controllable Novelty

LLM画像别全量上，路由12.5%就够

各位算法同学们，LLM用户画像不是全量部署就越好。这篇在真实流媒体数据上只把12.5%的用户路由到LLM画像模型，就在5%的NDCG损失预算内把Novelty@10抬了6.5%。

📄 Routing Between Generative and Collaborative User Profiles: A Serving-Time Gate for Controllable Novelty

🔧 把“要不要用生成式画像”从离线表示问题改写成serving-time的逐用户路由：默认走协同序列模型，只有对该用户预期划算时才切到profile模型。

🧩 gate只用serving时能拿到的特征——历史长度及其对数、已消费物品的均值与中位流行度、小众内容占比、协同和语义表示的范数；训练标签是ΔNovelty>0且ΔNDCG≥0，用GBDT做二分类。

⚙️ 阈值τ可以扫，得到的是一条novelty–relevance前沿，而不是一个写死的混合策略；打分用五折out-of-fold，避免用户自己的结果泄漏进gate训练。

📊 5% NDCG-loss预算下，Novelty@10提升6.5%，只路由12.5%的用户。

📈 在相同relevance成本下，比niche启发式、短历史启发式和随机路由的novelty增益都更大。

✅ 换成非生成的Centroid语义画像也有类似收益，说明好处主要来自选择性路由，而不是LLM生成本身，这点挺反直觉。

📉 实验是1万真实流媒体用户，覆盖电影、剧集、体育；所有结果都是相对“一直走协同模型”的相对变化。

总结感想：适合已经在做画像或多路召回、想在生产里加novelty指标的团队。两个坑要留意，Novelty用的是self-information，和业务口径的“新鲜感”未必对齐；gate依赖流行度类特征，热度分布漂移时阈值得重扫。要盯的是NDCG-loss预算怎么定、路由比例是否稳定、线上novelty有没有真的动。

原文：AlphaXiv