淘宝实验：回收高分管中未曝光候选，探索类目提升3.47%
_reachsumit · x · 2026-11-06
阿里巴巴发布论文 URED(Unexposed Recycling for Efficient Discovery):一个免训练的召回阶段系统,已在淘宝信息流推荐中上线超过 6 个月,服务数千万日活用户。
核心洞察:粗暴提升探索性内容的曝光之所以在生产环境中常失败,是因为它注入了冷启动、信息稀疏的候选,排序器会系统性高估它们,既买不到探索收益还损害互动。而「打分很高但从未被曝光」的候选形成一个既相关又可预测的池子——工业管线通常直接丢弃这部分信号。
做法:URED 在 30 天窗口内聚合这些高分管中未曝光候选,在召回时重新注入。整个链路覆盖离线存储、分布式聚合和低延迟在线服务,每次请求仅一次 O(1) 查找,延迟增加不到 1%,无需模型重训。
线上 A/B 结果:探索到的新类目 +3.47%,内容丰富度 +8.47%,完播率显著提升 +2.62%,总浏览量 +0.36%(不显著)。消融实验证明两个设计支柱都必要——只用一天窗口效果就崩。
「研究」频道最新
- ExPert 论文反向求解扰动因果：从细胞状态溯源疾病驱动因素 — anshulkundaje · 2026-11-06
- mlpowered 补充论证:残差态梯度回传使远期预测信息得以编码 — mlpowered · 2026-11-06
- ML 工程师驳 antirez:最后 token 的残差态并非只为下一 token 优化 — mlpowered · 2026-11-06
- 新模型 Mola 从 DNA 序列预测单分子染色质状态分布 — anshulkundaje · 2026-11-06
- 学者评 AI 审阅代码:像趣味实验,但误报多、易误导人 — thegautamkamath · 2026-11-06
- UCLA 发布 FlowPilot：人类偏好对齐使人行道机器人干预率降 40% — zhoubolei · 2026-11-06