arXiv cs.AI· Ge Fan, Kai Meng, Huiping Chu, Yuning Jiang, Han Zhu, Bo Zheng·· 11 小时前AI 评分31
淘宝信息流推荐系统 URED：回收高分未曝光候选提升内容发现
From Waste to Discovery: Recycling High-Scored Unexposed Candidates in Taobao Feed Recommendation
AI 导读
阿里巴巴为淘宝信息流推荐上线免训练召回阶段系统 URED，将高分但从未曝光的候选回收再注入，单次请求仅一次 O(1) 查询、延迟增加不到 1%，无需重训模型。线上 A/B 测试显示发现类目数 +3.47%、内容丰富度 +8.47%，视频完播量显著提升 +2.62%，总浏览量 +0.36%（不显著）。该系统已在阿里服务数千万日活用户超过六个月，发现率达平台平均的 13.9 倍。
正文 · AI 翻译
摘要：帮助用户发现新的兴趣对于工业推荐系统的长期健康至关重要，然而通常的补救措施——提升探索不足（发现）内容的曝光——在生产环境中往往适得其反。我们报告了 URED（Unexposed Recycling for Efficient Discovery，未曝光内容回收以实现高效发现），这是一个免训练的召回阶段系统，在阿里巴巴为淘宝信息流推荐服务超过六个月，覆盖数千万日活跃用户。它基于一个经生产验证的洞见：朴素的提升会失败，因为它注入了冷启动、信息贫乏的候选内容，而排序器会系统性地高估这些内容，既没有带来发现收益，又存在参与度风险。那些得分很高但从未曝光的内容（工业流水线通常会丢弃的信号）形成了一个既相关又可可靠预测的池子。在 30 天的窗口内，URED 聚合这些内容，并在召回时通过一条轻量级流水线重新注入，该流水线涵盖离线存储、分布式聚合和低延迟在线服务，通过每次请求一次 O(1) 查找增加不到 1% 的延迟，且无需重新训练模型。在线 A/B 测试显示，发现的类目增加 3.47%，内容丰富度增加 8.47%，同时参与度得以保持：完播视频观看量显著上升（+2.62%），总观看量呈正向变化（+0.36%，不显著）。消融实验证实两个设计支柱都是必要的：一天窗口会使发现收益骤降至 +0.55%（不显著），而不进行分数过滤的随机注入没有收益，且在参与度上呈负向趋势（-0.17%）。在生产召回渠道中，URED 达到平台平均发现率的 13.9 倍（是最强近线基线的 6.3 倍），参与度质量与平台平均水平相当。我们分享了部署细节和经验教训，供在资源紧张约束下面临探索-利用困境的从业者参考。
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2611.05997 [cs.AI] |
| （或 arXiv:2611.05997v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.05997 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ge Fan [查看邮箱]
[v1]
2026 年 11 月 4 日星期三 05:45:30 UTC（529 KB）
来源：arXiv cs.AI · arxiv.org