type
status
date
slug
summary
tags
category
icon
password
priority
Section 1: 📊 Trend Analysis
- 🔥 LLM驱动的智能检索与推理：今日多篇论文聚焦于利用大语言模型（LLM）和智能体（Agent）技术，革新推荐系统的信息检索与决策过程。核心趋势是从静态的相似度匹配，转向动态、可解释、具备自主信息获取能力的“思考式”检索与推理，例如通过工具调用弥补信息鸿沟，或借鉴认知科学理论优化记忆召回。
- 💡 图神经网络（GNN）的增强与优化：工业界持续探索如何提升GNN在推荐场景下的鲁棒性与表达能力。今日亮点在于通过引入“原型”等全局上下文信息，来缓解GNN对局部噪声敏感和缺乏全局视野的问题，为图模型在复杂工业图（如电商）上的应用提供了新的增强思路。
- 🔧 召回系统的效率与理论优化：在追求效果的同时，召回系统的工程效率与理论完备性也受到关注。研究不仅关注如何通过新颖的框架提升效果，也开始深入探讨底层索引压缩（如Token剪枝）的几何原理，旨在为大规模部署提供更高效、可解释的解决方案。
Section 2: 📋 今日速览
今日速览 |
华为等 提出RF-Mem双路径记忆检索，融合认知科学提升LLM个性化 ↗ |
Amazon 提出P²GNN双原型增强GNN，在电商推荐中超越生产模型 ↗ |
Sorbonne Université 提出Voronoi cell框架，为late-interaction模型提供理论化token剪枝 ↗ |
人大&京东 提出RecThinker智能体框架，通过自主工具调用增强推荐推理 ↗ |
多校联合 提出TA-Mem工具增强检索框架，提升LLM长对话QA的记忆能力 ↗ |
Section 3: 📰 Daily Digest
1. Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval
🔗 原文： https://arxiv.org/abs/2603.09250
🏷️ 来源： 🤝 产学合作 | Dalian University of Technology, City University of Hong Kong, Huawei
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 将认知科学双过程记忆理论引入LLM个性化检索，提出RF-Mem自适应双路径检索方法。
📝 摘要： 本文旨在解决LLM个性化中记忆检索的瓶颈问题，现有方法要么成本高昂（全量记忆输入），要么仅能进行浅层匹配。受人类记忆双过程理论（熟悉性与回忆）启发，论文创新性地提出了RF-Mem自适应双路径检索器。该方法通过计算熟悉度信号（均值和熵）来动态选择路径：高熟悉度时走快速“熟悉性”路径直接召回Top-K；低熟悉度时则激活“回忆”路径，通过聚类和迭代证据扩展模拟深度情景重建。在多个基准测试上的实验表明，该方法在固定预算和延迟约束下，性能优于一次性检索和全上下文推理。这是一篇将认知科学与AI技术结合、思路新颖的工业界论文，但未提供线上A/B测试细节。
2. $P^2$GNN: Two Prototype Sets to boost GNN Performance
🔗 原文： https://arxiv.org/abs/2603.09195
🏷️ 来源： 🏭 工业界 | Amazon
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： Amazon提出P²GNN，通过双原型集增强GNN的全局上下文和去噪能力，在电商推荐中超越生产模型。
📝 摘要： 针对消息传递图神经网络（MP-GNN）在推荐等任务中过度依赖局部上下文、对噪声敏感的问题，Amazon提出了一种即插即用的P²GNN框架。其核心创新在于引入两套原型集：一套作为所有节点的“全局邻居”，以补充图级特征和全局上下文信息；另一套用于对齐消息，通过对齐到聚类原型来实现去噪效果，从而优化基础GNN的消息传递过程。该方法可扩展至所有MP-GNN。在包含专有电商数据集在内的18个数据集上的实验表明，P²GNN在节点推荐任务上超越了生产模型，并在开源数据集上取得了领先的平均排名，验证了其增强全局上下文和缓解噪声的有效性。
3. A Voronoi Cell Formulation for Principled Token Pruning in Late-Interaction Retrieval Models
🔗 原文： https://arxiv.org/abs/2603.09933
🏷️ 来源： 🎓 学术界 | Sorbonne Université, CNRS
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出基于Voronoi cell几何框架的token剪枝方法，为late-interaction检索模型提供理论支撑的压缩方案。
📝 摘要： 本文致力于解决ColBERT等late-interaction检索模型因需存储每个文档token的稠密嵌入而导致的巨大索引存储开销问题。与以往基于统计或经验的剪枝方法不同，该工作首次从超空间几何角度，将token剪枝形式化为嵌入空间中的Voronoi cell估计问题。通过将每个token的影响力解释为其Voronoi区域的度量，该方法能够进行有理论依据的剪枝，在显著减少索引大小的同时保持检索质量。实验证明该框架不仅是一种有竞争力的剪枝策略，也为理解和改进稠密检索系统中的token级行为提供了有价值的工具。这是一项理论扎实的学术工作，但缺乏大规模工业系统验证。
4. RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation
🔗 原文： https://arxiv.org/abs/2603.09843
🏷️ 来源： 🤝 产学合作 | Renmin University of China, JD.com
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出首个Agentic框架RecThinker，通过自主工具调用解决推荐中的信息不足问题。
📝 摘要： 针对现有LLM推荐智能体被动处理信息、在用户画像稀疏或物品元数据不足时表现不佳的问题，本文提出了RecThinker框架，将推荐从被动处理转向自主调查。该框架采用“分析-规划-执行”范式，首先分析用户-物品信息的充分性，然后自主规划推理路径，通过调用一系列专用工具（获取用户侧、物品侧及协同信息）来主动弥合信息鸿沟。此外，论文设计了一个包含监督微调（SFT）和强化学习（RL）的自增强训练流程，以优化决策准确性和工具使用效率。在多个基准数据集上的实验表明RecThinker性能优于基线方法，为构建更智能、自主的推荐系统提供了新颖思路，但尚未经过大规模线上验证。
5. TA-Mem: Tool-Augmented Autonomous Memory Retrieval for LLM in Long-Term Conversational QA
🔗 原文： https://arxiv.org/abs/2603.09297
🏷️ 来源： 🎓 学术界 | Washington University, New York University, Northeastern University
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出工具增强自主记忆检索框架，提升LLM在长对话QA中的记忆检索能力。
📝 摘要： 为解决LLM在长程推理任务中受上下文窗口限制、且现有记忆检索方法灵活性不足的问题，本文提出了TA-Mem工具增强自主记忆检索框架。该框架包含三个核心组件：一个用于自适应分块并提取结构化记忆笔记的LLM智能体；一个支持键值查找和相似度检索的多索引记忆数据库；以及一个工具增强的记忆检索智能体，它能根据用户输入自主选择数据库提供的工具进行探索，并决定是否进行下一轮迭代或基于获取的记忆进行最终推理。在LoCoMo数据集上的评估显示，TA-Mem显著超越了现有基线方法，对不同问题类型下工具使用的分析也证明了其自适应性。这项工作为长对话场景下的记忆管理提供了新方案，属于学术界的增量改进。