推荐算法日报 - 2026-04-25

type

Post

status

Published

date

Apr 25, 2026 05:01

slug

daily-report-2026-04-25

summary

[生成式与扩散模型进入推荐核心]：今日多篇论文探索了生成式范式在推荐系统中的应用，包括将扩散模型用于Learning to Rank（DenoiseRank）、以及利用语义ID（SemanticID）进行生成式推荐。这标志着推荐系统正从传统的判别式模型向生成式模型演进，但多数工作仍处于学术探索阶段，工业落地尚需验证。; [长序列与复杂用户行为建模成为焦点]：针对用户行为序列中的兴趣漂移（Session Hopping）和噪声问题，出现了主题感知MoE（MoS）和小波包引导图增强（WPGRec）等

Section 1: 📊 Trend Analysis

🔥 [生成式与扩散模型进入推荐核心]：今日多篇论文探索了生成式范式在推荐系统中的应用，包括将扩散模型用于Learning to Rank（DenoiseRank）、以及利用语义ID（SemanticID）进行生成式推荐。这标志着推荐系统正从传统的判别式模型向生成式模型演进，但多数工作仍处于学术探索阶段，工业落地尚需验证。

💡 [长序列与复杂用户行为建模成为焦点]：针对用户行为序列中的兴趣漂移（Session Hopping）和噪声问题，出现了主题感知MoE（MoS）和小波包引导图增强（WPGRec）等创新方案。这些方法试图从多尺度、多主题的角度解构用户行为，以提升长序列场景下的推荐精度，是工业界（如Meta）和学术界共同关注的热点。

💡 [LLM与推荐系统的融合走向实用化]：LLM与推荐系统的结合正从“直接推理”转向“知识蒸馏”和“多智能体协作”。例如，通过LLM生成用户画像并蒸馏到序列模型（LLM Distillation），或利用多智能体+RAG实现可解释推荐（MATRAG）。这些方案旨在保留LLM的语义理解能力，同时避免在线推理带来的高延迟和成本，更具工业落地潜力。

Section 2: 📋 今日速览

今日速览

马来亚大学/复旦提出候选条件POI推荐，大候选池优势明显 ↗

阿里/快手反事实多任务模型解决促销前延迟转化，线上GMV提升 ↗

Meta/UIUC 主题感知MoE框架处理长序列兴趣漂移，SOTA性能 ↗

独立作者多智能体+RAG+知识图谱实现可解释推荐，准确率+12.7% ↗

中山大学/MBZUAI 首次将扩散模型用于LTR，生成式排序新思路 ↗

东南大学跨模态对齐与深度兴趣挖掘，优化生成式推荐语义ID ↗

阿姆斯特丹大学眼动追踪证实轮播界面用户行为假设失效 ↗

吉林大学小波包引导图增强序列推荐，稀疏数据增益明显 ↗

索邦大学/CNRS 用SAE概念空间替换词汇表，提升稀疏检索效率 ↗

Sber AI Lab 用LLM生成用户画像蒸馏到序列推荐，推理无额外开销 ↗

Section 3: 📰 Daily Digest

1. CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation

🔗 原文： https://arxiv.org/abs/2604.20845

🏷️ 来源： 🎓 学术界 | Universiti Malaya, Fudan University

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 候选条件建模，动态关注历史，POI推荐新范式。

📝 摘要： 针对现有POI推荐方法对所有候选POI使用统一用户表征的局限性，本文提出CaST-POI模型，其核心创新在于候选条件序列读取器，将候选POI作为查询（Query）动态关注用户历史轨迹，实现“看人下菜碟”。同时引入候选相对时空偏置，捕捉细粒度移动模式。在三个基准数据集上的实验表明，CaST-POI显著优于现有方法，尤其在大候选池场景下优势更为突出，为POI推荐提供了新的范式。该方法创新性强，实验全面，但缺乏线上验证，工业落地需进一步评估其在大规模系统中的计算开销。

2. Counterfactual Multi-task Learning for Delayed Conversion Modeling in E-commerce Sales Pre-Promotion

🔗 原文： https://arxiv.org/abs/2604.21675

🏷️ 来源： 🏭 工业界 | Alibaba, Kuaishou

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 针对促销前延迟转化，多任务+反事实因果建模，线上验证有效。

📝 摘要： 针对电商促销前用户“加购不买”导致的延迟转化问题，本文提出反事实多任务延迟转化模型（CM-DCM）。模型采用多任务架构联合建模直接转化和延迟转化，并引入个性化用户行为门控模块缓解数据稀疏性。核心创新在于使用反事实因果方法建模从加购到延迟转化的概率，有效处理了促销前独特的分布偏移。在阿里线上A/B实验中，CM-DCM显著提升了广告收入、延迟转化GMV和整体GMV，验证了其在工业场景下的有效性。该工作问题定义清晰，方法实用，对电商场景的CVR预估有直接借鉴价值。

3. Mixture of Sequence: Theme-Aware Mixture-of-Experts for Long-Sequence Recommendation

🔗 原文： https://arxiv.org/abs/2604.20858

🏷️ 来源： 🤝 产学合作 | Meta, UIUC

⭐ 评分： ⭐⭐⭐⭐ (4/5)

🎯 推荐理由： 主题感知MoE框架，有效处理长序列兴趣漂移。

📝 摘要： 针对长序列推荐中用户兴趣漂移（Session Hopping）导致的噪声问题，本文提出Mixture of Sequence (MoS)框架。MoS通过主题感知路由机制，将用户长序列自适应地分配到多个与特定主题对齐的子序列中，有效过滤无关信息。同时，引入多尺度融合机制，结合全局、短期和主题特定三种专家，从多角度进行预测。实验表明，MoS在达到SOTA性能的同时，计算量（FLOPs）低于其他MoE方法，实现了效率与效果的平衡。该工作来自Meta，系统设计成熟，对工业界处理长序列场景具有重要参考价值。

4. MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations

🔗 原文： https://arxiv.org/abs/2604.20848

🏷️ 来源： 🎓 学术界 | Sushant Mehta (独立作者)

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 多智能体+RAG+知识图谱实现可解释推荐，准确率提升12.7%。

📝 摘要： 本文提出MATRAG框架，通过四个专门智能体（用户建模、物品分析、推理、解释）的协作，结合知识图谱增强检索，生成可解释的推荐结果。框架还引入了透明度评分机制，量化解释的忠实度和相关性。在Amazon Reviews等三个数据集上，MATRAG在Hit Rate和NDCG上分别提升12.7%和15.3%，且87.4%的生成解释被专家评为有帮助。该工作为构建透明、可信的LLM推荐系统提供了新思路，但作为独立作者工作，缺乏大规模系统验证，其多智能体架构的在线推理延迟和成本是工业落地的关键挑战。

5. DenoiseRank: Learning to Rank by Diffusion Models

🔗 原文： https://arxiv.org/abs/2604.20852

🏷️ 来源： 🎓 学术界 | Sun Yat-sen University, MBZUAI

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 首次将扩散模型用于LTR，生成式排序新思路。

📝 摘要： 本文首次将扩散模型应用于Learning to Rank（LTR）任务，提出DenoiseRank模型。其核心思想是在前向过程中对相关标签加噪，在反向过程中对查询文档去噪，以生成式的方式预测文档的相关性分布。在公开基准数据集上的实验验证了其有效性，为LTR任务开辟了生成式新范式。该工作方法新颖，但作为开创性探索，实验规模有限，且扩散模型推理速度慢，距离工业精排场景的实时性要求尚有较大差距。

6. Deep Interest Mining with Cross-Modal Alignment for SemanticID Generation in Generative Recommendation

🔗 原文： https://arxiv.org/abs/2604.20861

🏷️ 来源： 🎓 学术界 | Southeast University

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 针对生成式推荐中语义ID生成问题，提出跨模态对齐与深度兴趣挖掘方法。

📝 摘要： 针对生成式推荐中语义ID（SID）生成面临的信息退化、语义退化和模态失真三大问题，本文提出一个集成深度上下文兴趣挖掘（DCIM）、跨模态语义对齐（CMSA）和质量感知强化机制（QARM）的框架。DCIM通过重建监督保留上下文信息，CMSA利用VLM对齐文本和图像模态，QARM则通过强化学习鼓励生成高质量SID。实验在公开数据集上优于现有SID生成方法。该工作问题定义清晰，组件设计有针对性，但方法复杂度高，且缺乏线上验证，其实际部署效果和收益尚待检验。

7. Following the Eye-Tracking Evidence: Established Web-Search Assumptions Fail in Carousel Interfaces

🔗 原文： https://arxiv.org/abs/2604.21019

🏷️ 来源： 🎓 学术界 | University of Amsterdam

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 轮播界面用户行为假设失效，需重新评估点击模型。

📝 摘要： 本文通过眼动追踪实验，系统性地检验了从网页搜索界面继承到轮播推荐界面的用户行为假设。研究发现：1）F型注视模式仅适用于垂直浏览，不适用于水平滑动，且点击后呈现独特的L型模式；2）经典的“检查假设”（即点击与检查相关）在轮播界面中不成立；3）用户通常忽略轮播标题，直接关注内容。这些发现表明，现有基于网页搜索假设构建的点击模型和评估指标可能不适用于轮播界面，亟需重新评估。该工作对推荐系统的UI设计和用户行为建模有重要启示，但属于行为分析而非算法创新。

8. WPGRec: Wavelet Packet Guided Graph Enhanced Sequential Recommendation

🔗 原文： https://arxiv.org/abs/2604.21305

🏷️ 来源： 🎓 学术界 | Jilin University

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 小波包引导图增强的序列推荐，多尺度对齐与自适应融合。

📝 摘要： 本文提出WPGRec框架，首次将小波包变换与图传播在子带级别对齐，以解决序列推荐中多尺度时间动态与协同信号建模不一致的问题。WPGRec使用平稳小波包变换生成等长、平移不变的子带序列，然后在每个子带上独立进行图传播以注入高阶协同信息，最后通过能量和频谱平坦度感知的门控融合模块自适应聚合有效子带。在四个公开数据集上，WPGRec优于序列和图基线方法，尤其在稀疏和复杂行为数据集上增益明显。该方法创新性地融合了信号处理与图神经网络，但计算复杂度较高，工业落地需考虑效率优化。

9. From Tokens to Concepts: Leveraging SAE for SPLADE

🔗 原文： https://arxiv.org/abs/2604.21511

🏷️ 来源： 🤝 产学合作 | Sorbonne Université, CNRS, Sinequa by ChapsVision

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 用SAE概念空间替换词汇表，提升稀疏检索效率。

📝 摘要： 本文提出SAE-SPLADE模型，用稀疏自编码器（SAE）学习到的语义概念空间替换SPLADE模型依赖的骨干词汇表，以解决词汇表带来的多义词和同义词问题，并提升多语言和多模态场景的泛化能力。实验表明，SAE-SPLADE在域内和域外任务上均能达到与SPLADE相当的检索性能，同时提升了效率。该工作为改进学习型稀疏检索模型提供了新思路，但实验对比仅限于SPLADE，其在大规模工业检索系统中的实际效果和效率优势有待进一步验证。

10. Pre-trained LLMs Meet Sequential Recommenders: Efficient User-Centric Knowledge Distillation

🔗 原文： https://arxiv.org/abs/2604.21536

🏷️ 来源： 🎓 学术界 | Sber AI Lab, Innopolis University, HSE University, ITMO University, AIRI

⭐ 评分： ⭐⭐⭐ (3/5)

🎯 推荐理由： 用LLM生成用户画像蒸馏到序列推荐，推理无额外开销。

📝 摘要： 本文提出一种知识蒸馏方法，利用预训练LLM生成用户文本画像，并将其知识蒸馏到轻量级序列推荐模型中。该方法在服务时无需LLM推理，保持了传统序列模型的高效性，同时无需修改模型架构或微调LLM。该工作为LLM与推荐系统的实用化结合提供了有效路径，解决了LLM在线推理成本高的问题。但实验仅在公开数据集上进行，且蒸馏过程中LLM生成画像的质量和稳定性对最终效果影响较大，工业落地需谨慎评估。