小红书精读：PAIR: Preference-Aligned Intent Retrieval for Premium People Recommendation at LinkedIn

相似度检索在职场推荐失灵了🔍

各位算法同学们，求职的工程师不点同行，点的是招聘官和猎头。也就是说，职场推荐的相关性本质上互补而非对称，用资料相似度做召回，方向从一开始就反了。这篇 LinkedIn 的落地论文把这个错位讲清楚了，还给出了能上线的解法。

📄 PAIR: Preference-Aligned Intent Retrieval for Premium People Recommendation at LinkedIn

🔧 把监督信号从“相似”换成“偏好”：负样本不用随机 in-batch，而是取生产曝光日志里“曝光但没点”的候选，点击高于曝光未点击即构成偏好对。形式上像多负对比学习，但语义是曝光条件化的偏好，还省掉了 DPO 那套参考模型前向。

🧩 三塔结构：静态 profile 向量加一路用位置编码聚合最近点击历史的历史向量，加法融合。更新用户意图只做 O(Kd) 向量运算，服务端不用重跑 LLM 编码历史。

⚙️ Matryoshka 训练让同一个模型截断出不同维度，适配不同延迟和存储预算的多个推荐场景。

📊 离线 MAR@100：PAIR 0.6B 拿到 0.450，线上production embedding Holistic-171 只有 0.288，相对提升 56%；通用 0.6B LLM embedding 仅 0.192，约 2.3 倍。

📈 线上 A/B（Premium Browsemaps）：CTR 提升 7.5%，Premium 留存提升 2.1%，延迟无可测回退。

✅ 同参数规模下，任务特定的偏好监督比堆模型规模更能决定召回质量。

总结感想：做跨角色匹配的都值得看，招聘、交易撮合、创作者对接品牌，这类场景里相似度召回天然吃亏。落地时盯两件事：曝光未点击负样本是否被位置偏置污染，以及历史窗口长度对意图漂移的敏感度。坑在于加法融合牺牲了序列建模表达力，意图基本只能按天级刷新，兴趣切换快的用户可能追不上。和 PinnerFormer 那类要序列推理的方案比，它明确是拿一部分效果换服务成本。

原文：AlphaXiv