type
status
date
slug
summary
tags
category
icon
password
priority
Section 1: 📊 Trend Analysis
- 🔥 LLM驱动的推荐走向务实与高效：今日多篇论文聚焦于如何将大语言模型（LLM）高效、低成本地应用于推荐系统。核心思路包括：通过知识蒸馏（如Qwen3-4B蒸馏DeepSeek-685B）和模型编辑（如GenRecEdit）大幅降低推理成本与更新开销；利用检索增强（RAG）框架（如R3-REC、FinTRACE）为LLM提供结构化知识，以解决冷启动和稀疏性问题。这表明LLM推荐正从“暴力使用”转向“精打细算”的工程化落地阶段。
- 💡 工业界聚焦系统级优化与去偏：来自Yahoo、Meta等公司的论文展现了工业界对系统级可扩展性和模型鲁棒性的持续关注。一方面，通过统一的多模态延迟交互架构（AMES）实现生产级部署，避免架构重设计；另一方面，通过模型内置的去偏框架（MBD）直接校正行为信号中的异质偏置，并将其无缝集成到现有排序模型中，体现了“轻量级、高内聚”的工业设计哲学。
- 💡 检索增强与计算分配成为关键杠杆：无论是多模态企业搜索（AMES）、Agent长程记忆检索，还是金融交易分析（FinTRACE），检索（召回与重排）都是核心组件。研究指出，在由LLM增强的检索管道中，计算资源应重点向重排阶段倾斜，而非均匀分配。这为构建高性价比的智能检索系统提供了明确的工程指导。
Section 2: 📋 今日速览
今日速览 |
Yahoo 提出位置感知嵌入框架，提升赞助搜索广告的地理定向效果 ↗ |
工业界 提出统一多模态延迟交互检索架构AMES，实现生产级企业搜索部署 ↗ |
Meta 提出模型去偏框架MBD，集成至现有排序模型校正行为信号偏置 ↗ |
学术界 提出检索增强LLM框架R3-REC，通过多粒度兴趣推理提升序列推荐性能 ↗ |
学术界 提出检索反馈驱动的蒸馏框架，在保持检索效果的同时大幅降低LLM推理成本 ↗ |
清华 提出迭代语义推理框架ISRF，用LLMs桥接个体与群体兴趣提升推荐准确性 ↗ |
清华 将NLP模型编辑引入生成式推荐，高效解决冷启动问题，训练时间仅需9.5% ↗ |
UT Austin 分析Agent检索中计算分配策略，发现重排阶段应分配更多计算资源 ↗ |
Skoltech 提出FinTRACE架构，通过检索增强提升金融交易分析的少样本性能 ↗ |
RPI 提出联邦学习+知识图谱+轻量级LLM框架，在隐私保护场景下实现4倍F1提升 ↗ |
Section 3: 📰 Daily Digest
1. Location Aware Embedding for Geotargeting in Sponsored Search Advertising
🔗 原文： https://arxiv.org/abs/2603.13997
🏷️ 来源： 🏭 工业界 | Yahoo
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 提出位置感知嵌入框架，提升赞助搜索广告的地理定向效果。
📝 摘要： 本文针对赞助搜索广告中地理位置定向的关键问题，提出了一种简单而强大的神经嵌入框架。该框架将用户查询及其地理位置统一嵌入到单一的低维空间中，旨在捕捉查询意图与地理位置之间的微妙交互。该方法改进了广告排序和查询-广告相关性分数，优于其他不考虑位置或位置感知方法不足的方案，具有明确的线上A/B实验或大规模系统验证潜力。
2. AMES: Approximate Multi-modal Enterprise Search via Late Interaction Retrieval
🔗 原文： https://arxiv.org/abs/2603.13537
🏷️ 来源： 🏭 工业界 | Tony Joseph, Carlos Pareja, David Lopes Pegna, Abhishek Singh
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 统一多模态延迟交互检索架构，实现生产级企业搜索引擎部署，无需架构重设计。
📝 摘要： 本文提出了AMES，一个统一的多模态延迟交互检索架构，其设计是后端无关的。它证明了细粒度的多模态延迟交互检索可以在不进行架构重设计的情况下，部署到生产级企业搜索引擎（如Solr）中。通过多向量编码器将文本、图像和视频嵌入到共享表示空间，实现了无需特定模态逻辑的跨模态检索。该架构采用两阶段管道：并行令牌级ANN搜索和加速器优化的精确重排，在ViDoRe V3基准上取得了有竞争力的排序性能，并强调了系统的可扩展性和生产就绪性。
3. MBD: A Model-Based Debiasing Framework Across User, Content, and Model Dimensions
🔗 原文： https://arxiv.org/abs/2603.14422
🏷️ 来源： 🏭 工业界 | Meta
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： Meta提出的模型去偏框架，通过分布建模将偏置行为信号转换为无偏表示，集成到现有排序模型中。
📝 摘要： 本文针对推荐系统中行为信号（如观看时长、循环率）固有的异质偏置问题，提出了一个通用的模型去偏（MBD）框架。该框架通过分布建模，在主要预测任务旁边显式估计任意用户或内容群体的上下文均值和方差，从而将原始偏置信号转换为无偏表示，并构建出适用于价值模型的校准信号（如百分位数）。其关键创新在于，去偏的定义是灵活且可控的，并且该框架以轻量级分支的形式集成到现有的多任务多标签（MTML）排序模型中，无需单独的服务基础设施，实现了工业级的轻量级部署。
4. R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals
🔗 原文： https://arxiv.org/abs/2603.13730
🏷️ 来源： 🎓 学术界 | arXiv
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出检索增强LLM框架R3-REC，通过多粒度兴趣推理提升序列推荐性能。
📝 摘要： 为解决序列推荐中的证据不足（冷启动稀疏性）和动态多层面意图建模不透明两大挑战，本文提出了R3-REC框架。这是一个以提示为中心的检索增强框架，统一了多级用户意图推理、物品语义提取、长短兴趣极性挖掘、相似用户协同增强以及基于推理的兴趣匹配与评分。在多个数据集上的实验表明，R3-REC consistently超越了强大的神经基线和LLM基线，在HR@1和HR@5指标上取得了显著提升（最高+10.2%），并保持了可控的端到端延迟，消融实验也验证了各模块的互补增益。
5. Retrieval-Feedback-Driven Distillation and Preference Alignment for Efficient LLM-based Query Expansion
🔗 原文： https://arxiv.org/abs/2603.13776
🏷️ 来源： 🎓 学术界 | Minghan Li, Guodong Zhou
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出检索反馈驱动的蒸馏与偏好对齐框架，在保持检索效果的同时大幅降低LLM推理成本。
📝 摘要： 为降低生成式查询扩展的LLM推理成本，本文提出了一个检索反馈驱动的蒸馏与偏好对齐框架。该框架首先利用教师模型在零样本和少样本提示下生成的两种互补扩展作为监督信号和候选池，然后引入检索指标驱动策略，根据nDCG@10差异自动构建优选/拒绝扩展对，并应用直接偏好优化（DPO）使生成偏好与检索目标对齐。实验表明，蒸馏后的紧凑学生模型（Qwen3-4B）在TREC DL19上达到了强大教师模型（DeepSeek-685B）约97%的nDCG@10性能，并在中文MIRACL-zh基准上保持有效，实现了跨语言的高效检索。
6. Iterative Semantic Reasoning from Individual to Group Interests for Generative Recommendation with LLMs
🔗 原文： https://arxiv.org/abs/2603.13934
🏷️ 来源： 🎓 学术界 | Tsinghua
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出迭代语义推理框架ISRF，用LLMs桥接个体与群体兴趣，提升推荐准确性。
📝 摘要： 本文认为，真正理解用户兴趣需要从显式的个体兴趣到隐式的群体兴趣进行语义推理。为此，提出了用于生成式推荐的迭代语义推理框架（ISRF）。ISRF利用LLM分三步桥接个体与群体兴趣：首先，对物品属性进行多步双向推理以推断语义特征并构建捕获用户显式兴趣的交互图；其次，基于语义物品特征生成用户特征并构建相似性用户图以推断群体隐式兴趣；最后，采用迭代批量优化策略，使个体与群体兴趣相互增强。在多个数据集上的实验表明，ISRF优于现有先进基线。
7. Bringing Model Editing to Generative Recommendation in Cold-Start Scenarios
🔗 原文： https://arxiv.org/abs/2603.14259
🏷️ 来源： 🎓 学术界 | Tsinghua
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 将NLP模型编辑引入生成式推荐，高效解决冷启动问题，训练时间仅需9.5%。
📝 摘要： 针对生成式推荐模型在冷启动物品上性能崩溃的问题，本文受NLP模型编辑范式启发，提出了专为生成式推荐定制的模型编辑框架GenRecEdit。该框架通过显式建模完整序列上下文与下一token生成的关系，采用迭代token级编辑来注入多token物品表示，并引入一对一触发机制以减少推理时多个编辑间的干扰。在多个数据集上的实验表明，GenRecEdit显著提升了冷启动物品的推荐性能，同时保持了模型原有的推荐质量，并且仅需约9.5%的重训练时间即可实现高效、频繁的模型更新。
8. Compute Allocation for Reasoning-Intensive Retrieval Agents
🔗 原文： https://arxiv.org/abs/2603.14635
🏷️ 来源： 🎓 学术界 | UT Austin
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 分析Agent检索中计算分配策略，发现重排阶段应分配更多计算资源。
📝 摘要： 本文研究了由LLM增强的推理密集型检索管道中的计算分配问题。通过在BRIGHT基准上使用Gemini 2.5模型系列进行实验，分析了在查询扩展和重排两个阶段中，模型能力、推理时思考深度和重排深度对性能的影响。研究发现，重排阶段从更强的模型（+7.5 NDCG@10）和更深的候选池（从k=10到100提升21%）中获益显著，而查询扩展在轻量级模型之外收益递减，推理时思考对两个阶段的改进都微乎其微。这些结果表明，计算资源应集中在重排阶段，而非在管道各阶段均匀分配。
9. Financial Transaction Retrieval and Contextual Evidence for Knowledge-Grounded Reasoning
🔗 原文： https://arxiv.org/abs/2603.15459
🏷️ 来源： 🤝 产学合作 | Skoltech, Sber AI
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出FinTRACE架构，通过检索增强提升金融交易分析的少样本性能。
📝 摘要： 为解决通用LLM处理时序表格数据（如交易记录）的困难，本文提出了检索优先的架构FinTRACE。该架构将原始交易转换为可重用的特征表示，应用基于规则的检测器，并将结果信号存储在与下游任务目标相关联的行为知识库中。在公开和工业基准上的实验表明，FinTRACE显著提升了少样本监督下的交易分析性能，例如将零样本流失预测的MCC从0.19提升至0.38。此外，通过使用FinTRACE检索的行为模式对LLM进行指令微调，在交易分析问题上达到了最先进的LLM结果。
10. Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
🔗 原文： https://arxiv.org/abs/2603.13264
🏷️ 来源： 🎓 学术界 | Rensselaer Polytechnic Institute
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出联邦学习+知识图谱+轻量级LLM的个性化推荐框架，在隐私保护场景下实现4倍F1提升。
📝 摘要： 本文提出了FedTREK-LM框架，该框架统一了轻量级大语言模型、演化的个人知识图谱、联邦学习以及Kahneman-Tversky优化，以实现可扩展的、去中心化的个性化推荐。通过使用结构化的个人知识图谱提示LLM，FedTREK-LM能够进行上下文感知的推理。在多个轻量级Qwen3模型上的实验表明，该框架 consistently且显著地超越了最先进的知识图谱补全和联邦推荐基线，在电影和食谱基准上实现了超过4倍的F1分数提升。研究还发现，真实用户数据对有效个性化至关重要，合成数据会导致性能大幅下降。