arXiv cs.AI· Zidong Jia, Guofu Xie, Xiao Zhang·· 2 天前AI 评分22
RecSoup：面向可控多目标推荐的高效模型合并方法
RecSoup: Efficient Model Merging Approach for Controllable Multi-Objective Recommendation
AI 导读
RecSoup 是一种轻量两阶段模型合并方法，用于可控多目标推荐（CMOR），可在推理时动态调整目标权衡而无需联合重训练或额外生成模块。它先通过同时考虑目标专属重要性与跨目标相关性的剪枝策略缓解参数干扰，再用可学习的偏好到系数映射完成自适应参数合并。实验显示其帕累托前沿质量与可控性更优，推理延迟比参数生成方法快 165–228 倍，代码已开源。
正文 · AI 翻译
摘要：推荐系统通常需要平衡多个相互冲突的目标。可控多目标推荐（CMOR）能够在推理时动态调整目标之间的权衡，而无需重新训练，从而适应用户或系统需求的变化。现有的 CMOR 方法通常依赖输出级重排序或参数生成模块，这要么限制了可行权衡的范围，要么带来高昂的训练和推理成本。模型合并通过参数组合复用多个目标特定模型，提供了一种有前景的替代方案。然而，由于缺乏共享的线性区域以及跨目标干扰，将其直接应用于推荐系统颇具挑战。为解决这些问题，我们提出 RecSoup，一种通过专门化模型合并实现有效 CMOR 的轻量级两阶段方法。RecSoup 首先通过一种同时考虑目标特定重要性和跨目标相关性的剪枝策略，缓解目标间的参数干扰。随后，它通过可学习的偏好到系数映射执行自适应参数合并，从而在推理时实现动态权衡控制，无需联合重新训练或额外的生成模块。在理论上，我们证明 RecSoup 在有效性和效率上优于参数生成范式，因为它能够在没有平滑性约束的情况下完全遍历帕累托前沿。在多个基准上的大量实验表明，RecSoup 实现了更优的帕累托前沿质量和有效的可控性，同时推理时延比参数生成方法快 165--228 倍。代码可在 此 https URL 获取。
| 评论： | 已被 CIKM 2026 接收 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21220 [cs.IR] |
| （或 arXiv:2610.21220v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21220 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 相关 DOI： | https://doi.org/10.1145/3799682.3840938
链接到相关资源的 DOI |
提交历史
来自：Zidong Jia [查看电子邮件]
[v1]
2026年10月15日星期四 04:08:22 UTC（661 KB）
来源：arXiv cs.AI · arxiv.org