阿里发布 RecRSI：LLM 假设驱动发现推荐算法，NDCG@5 平均提升 8.48%
_reachsumit · x · 2026-11-04
阿里巴巴团队发布 RecRSI，一个基于 LLM 的研究框架，用「机制假设」来组织推荐算法的自动发现。
核心设计：
- 每个假设将一个机制改动与参考设计、理论依据和预期观察结果绑定
- MechSpace 从任务来源推导可实现的原子操作与组合规则
- Research Line 基于该空间与已有证据开发并测试假设
- Mechanism Feedback 将实验结果及其设计上下文带入后续研究，让每个实验决定下一步开发、修改或组合哪些机制
实验结果：在 4 个初始推荐器和 4 个数据集上，相对初始算法 NDCG@5 平均提升 8.48%、HR@5 提升 6.88%；相对每个设置下的最强竞争结果分别再提升 2.60% 与 2.20%。代码已开源。
「研究」频道最新
- 哈佛教授承认：AI 生成的文章评审已全面优于人类最佳水平 — iamfakhrealam · 2026-11-04
- Cohere等论文:合成预训练收益竟源于嵌入初始化偏差 — LauraRuis · 2026-11-04
- kalomaze 展示 DeepSeek V3.1 底座更大骨干实验，eval loss 降至约 0.82 — kalomaze · 2026-11-04
- Reddit 网友无梯度改写 Qwen 0.6B 权重：39.8M token 让模型「爱上一支乐队」 — Altruistic_Heat_9531 · 2026-11-04
- SpecPilot 智能体自动优化投机解码：速度从 4.46× 提升至 10.87× — pmttyji · 2026-11-04
- 自主 Agent 定制 MSA 策略，提升 AlphaFold 3 蛋白复合物预测 — SJTU · 2026-11-04