小红书精读:CLEAR: Legible and Steerable Recommendation via Grounded Natural-Language Interests

less than 1 minute read

让用户自己改兴趣标签,Meta跑了一年

各位算法同学们,如果告诉用户“系统认为你喜欢真人秀,你可以删掉,还能自己加个油画”,推荐会变差还是变好?Meta 的答案是后者,而且这套东西已经在 Instagram 和 Facebook 四个入口跑了一年多。它的关键不在“给用户看标签”,而在让用户的一次编辑真正进入召回、排序和曝光链路。

📄 CLEAR: Legible and Steerable Recommendation via Grounded Natural-Language Interests

🔧 把兴趣层做成一份有优先级的状态契约:LLM 从最近行为里提出自然语言兴趣候选,用户显式添加或屏蔽的条目单独存储,优先级高于后续模型推断;推断兴趣可以随证据衰减过期,但用户的修改不会被下一轮推理悄悄覆盖。

🧩 行为接地不是让模型自说自话:每个推断出的兴趣要反查用户自己的历史事件,凑出 support set,再用它做三件事——过滤证据不足的候选、识别“对这个人来说是近重复”的两条兴趣、以及给出证据加权的排序信号。用户新声明的兴趣可以没有历史支撑,走另一条路径,冷启动声明不被当成过去行为的证据。

⚙️ 同一个兴趣对象直接当 serving 地址用:label 加画像改写走词法检索,support events 做行为召回,兴趣向量投影查 ANN 索引,稳定 id 负责跨来源归因和曝光记账。行为召回是合取条件——既要在用户自己的共互动邻域附近,又要内容上对题,避免“全局相关但和这个人无关”和“行为相近但跑题”两类噪声。

📊 用户直接审阅中,约 88.5% 的展示兴趣被评为准确。

📈 统一评测协议的离线基准上,专用 3B 生成器 mean-user F1@10 为 0.3967,Gemini 2.5 Pro 是 0.3633,上一版生成器只有 0.1911。

✅ 针对“新声明兴趣”的用户随机累积消融:当日曝光损失分别是兴趣排序项 8.7 个百分点、预留顶部坑位 11.1 个百分点、兴趣条件候选召回 13.7 个百分点,注意这是条件于所测移除顺序的结果。

📈 组件在生产环境运行超过一年,覆盖两个平台四个界面。

我的判断:做可控推荐、LLM 用户建模、冷启动兴趣表达的同学可以把这篇当工程参考,它把“可读”和“可操作”拆开定义,这点比多数 profile 论文清晰。要盯的指标不止 F1@10,更关键是线上可归因曝光和屏蔽兴趣的复现率;坑有两处,累积消融带顺序依赖,那些百分点不能横向相加或跨系统比较,另外兴趣层只是被展示的排序子集,别把它当成模型全量隐状态可见。

原文:AlphaXiv

Updated: