Spotify 论文:行为信号让 LLM 重排涨 13.3%,但会学成捷径
_reachsumit · x · 2026-09-23
Spotify 团队(asash 等)论文《Robust Fusion of Semantic and Behavioural Signals for LLM Reranking in Personalised Search》。
- 背景:个性化搜索用 LLM 交叉编码器统一做重排;把基于用户历史行为的 Query Slice Stats(QSS)注入 prompt 能提升效果,但会诱发捷径学习——模型依赖历史信号,牺牲在稀疏/未见查询上的泛化。
- 方法:确定性双样本特征丢弃(dual-sample feature-dropout)训练——每个样本各以“含 QSS”和“去 QSS”两个版本呈现一次。
- 结果:QSS 注入在特征可用时排序质量提升 13.3%;双样本训练保留这一增益,同时在去 QSS 评测上比朴素训练相对提升 4.0%;线上 A/B 中两种 QSS 感知变体均将搜索成功率提升约 2%,冷启动对比方向性占优但总体测试无法区分两种训练。
「研究」频道最新
- TensorSharp 直读 label logits，结构化决策比 LocalJev 快 3.3 倍 — fuzhongkai · 2026-09-23
- Naproche:用受控自然语言写数学证明的证明助手 — zetalyrae · 2026-09-23
- 南京大学用 AI 从零设计超强蛋白，强度超天然 4 倍耐 150°C — MikePFrank · 2026-09-23
- 开源 GUI 智能体跨设备实测:复合任务最佳成功率仅 8% — maier_ak · 2026-09-23
- JarvisGUI 基准:跨 Android/Windows/Ubuntu 考验 GUI 智能体 — maier_ak · 2026-09-23
- 新基准 Cross-DURIAN：专测多设备 GUI 智能体跨屏协作能力 — maier_ak · 2026-09-23