小红书精读:COTTI: Contrastive Training and Time-Aware Inference for Robust Industrial Recommendation under Promotional Drift

less than 1 minute read

离线AUC微涨,线上CVR+3.14%

各位算法同学们,大促期间最反直觉的一点是:离线AUC从0.8101挪到0.8127,几乎看不出变化,线上CVR却相对涨了3.14%。涨得最多的那部分不在训练里,而在打分那一刻——这篇论文就是把这两件事拆开做的。

📄 COTTI: Contrastive Training and Time-Aware Inference for Robust Industrial Recommendation under Promotional Drift

🔧 CPC跨期对比对齐:同一个用户的日常历史和大促历史配成正样本做InfoNCE,权重η=1−σ(v)由两个视图的方差距离决定,差得越远权重越小,而且η参与反向传播,模型可以自己选“对齐”还是“把门关小”,不是硬拉齐。

🧩 RW按历史距离重加权:促销样本权重ω=exp(−γ(d−μ)/σ),距离低于批次均值的样本权重大于1、远的小于1,直接乘进损失,不裁剪也不做均值归一,保留转化标签作为监督。

⚙️ ABA只在线调logit:冻结预测器参数,用head dropout多次前向拿到预测波动U,再乘时间事件核α(t),得到δ去修正logit。训练期和服务期彻底分离,κ、β在早期验证集上选好后不再动。

📊 Fliggy离线AUC 0.8127,TEN是0.8101,TEN单加ABA是0.8123,ABA作为即插即用的校准层也能起作用。

📈 十天线上实验对在服的HDR模型:CVR相对+3.14%,RPM相对+2.68%。

✅ 端到端p99 38.9ms,吞吐14700 QPS,开ABA只多2.2ms,代价很小。

⚠️ 但交叉类目分析有代价:整体区分度提升的同时,新类目下已购商品的召回下降,这是他们自己写明的权衡。

总结:适合已经在跑HDR、TEN这类大促自适应方案的团队,把COTTI当推理期轻量补丁比整体换模型划算。要盯的是新类目召回、ABA的校准窗口,以及Δ(u)这个表征漂移量——它只说明均值变了,不等于排序退化,别拿它当线上告警用。

原文:AlphaXiv

Updated: