召回覆盖从哪里来：用户表示、正例组织与负例难度¶
搜广推 · 更新 2026-11-04 · 37 篇主题资料 / 5 篇重点对照
候选生成先决定后续排序能看见什么。YouTube DNN说明单用户向量如何进入近邻检索，Airbnb EBR把监督放回搜索—浏览—预订旅程，MIMA让同请求多正例分配给互补兴趣，MDCNS改变负例的难度与多视角监督。这四种改动分别作用于表示、标签、兴趣分工和梯度，不能用召回数变大统一解释。
机制对照 · 取舍分析 · 跨论文问答 · 更新记录 · 本主题逐篇问答
怎么读这张卡片
重点比较下表代表论文；完整主题目录保留在文末。机制与假设的对照不等于统一 benchmark 的性能排名；教学例子不是论文实测。
机制对照¶
比较维度：召回接口：单向量还是多兴趣通道 · 正例来自下一行为、旅程还是同请求集合 · 负例难度与教师监督如何改变梯度 · 固定候选预算及库存/数据替代边界
| 论文与来源 | 机制定位 | 得到了什么，付出什么 |
|---|---|---|
| Deep Neural Networks for YouTube Recommendations · 原始来源 章节：背景与主要改动、核心公式、本地复现 |
聚合观看历史和上下文，经DNN形成用户向量，以下一视频大规模分类训练，服务时按与视频向量的点积近邻检索。 | 独立物品向量便于索引，单个用户向量需承载多种兴趣；召回阶段仍需与精排分工。本地公开小数据不等于百万级生产索引。 |
| Applying Embedding-Based Retrieval to Airbnb Search · 原始来源 章节：背景与主要改动、核心公式、复现边界 |
仍使用query/item内积双塔，但按搜索、浏览、预订旅程构造正例与hard negatives，并用流量replay对齐首阶段召回。 | 训练标签更贴近市场旅程，实际覆盖还受地理过滤、库存更新和索引影响；本地MovieLens代理不能验证住宿库存约束或线上收益。 |
| MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment · 原始来源 章节：背景与主要改动、核心公式、复现边界 |
causal decoder产生多个兴趣，同请求多正例用一对一最优匹配监督，再以兴趣激活概率校准多通道分数。 | 排他分配抑制所有正例挤到同一兴趣，但依赖真实多正例集合及路由校准；本地相邻行为组替代同请求成交，不能直接证明生产兴趣分解。 |
| Divergence Meets Consensus: A Multi-Source Negative Sampling Framework for Sequential Recommendation · 原始来源 章节：背景与主要改动、核心公式、本地复现 |
Self、Peer、Teacher多视角在候选池上评分，以模型分歧修正难负例排序，再把Teacher整池软分布蒸馏回Self。 | 比单一高分负例提供更多监督，但难负例仍可能是假负例，分歧也不等于标签真错；需要对齐候选池、采样预算和训练成本。 |
| WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search · 原始来源 章节：背景与主要改动、核心公式、代码映射 |
簇只收缩候选空间，再对原子文档做OPQ粗排和特征FFN精排；固定簇/码本还能挂载新文档，不必逐SID前缀解码。 | 簇选择仍有漏召回风险；查表精确仅说明对既有量化向量的距离恒等，不等于训练表示或生产质量更好。局部快照也不等于分布式原子刷新。 |
取舍分析¶
先判断瓶颈在覆盖、监督还是兴趣坍缩¶
YouTube DNN把历史压到一个用户向量，Airbnb EBR保留类似检索接口而重新组织旅程监督；这两者不能仅凭双塔外形判成同一训练问题。MIMA的关键也不只是多输出几个向量，而是同请求多正例的一对一分配，否则多个兴趣仍可能追同一个正例。比较必须固定最终返回预算，才能分清表示改进和检索更多的收益。
对照来源：youtube-dnn · airbnb-ebr · mima
难负例与多正例承担不同职责¶
MDCNS从未交互候选中寻找模型认为困难且有分歧的负例，让Self接收整池教师信号；MIMA则从真实正例集合学习兴趣分工。把未点击候选一律当负例，或把时间相邻行为自动当同请求互补正例，都会改变监督含义。Airbnb EBR的旅程定义提醒我们：先记录行为阶段和曝光条件，再解释损失变小意味着什么。
对照来源：mdcns · mima · airbnb-ebr
簇的职责是约束候选，不是替文章决定唯一语义路径¶
WeSearch在簇并集内保留原子文档，再区分粗排与特征精排；MIMA则让多个用户兴趣各自提出候选。两者都应在最终去重预算固定时比较覆盖，不能因多取候选宣称表征改善。ADC恒等式只验证同一量化向量的计算，新文档挂载复用固定参数也不能替代完整训练或模型/索引联合刷新。
跨论文问答¶
先想自己的答案，再展开；每个问题至少联系两篇论文。
MIMA返回多个兴趣后Recall上升，怎样区分兴趣互补与单纯多取候选？¶
展开答案与例子
答案： 把多个通道合并去重后的总K固定，再与单向量召回比较；检查不同兴趣的正例分配和命中是否互补。MIMA的一对一监督与激活校准才是机制，YouTube DNN的单向量接口是比较起点。若每个兴趣都额外拿K个候选，覆盖上升不能单独归功于兴趣建模。
教学例子： 示意：跑步与摄影两个通道各取50条，合并后固定100条；应与单通道100条比较，不能与单通道50条比较后宣称兴趣翻倍有效。
对照来源：mima · youtube-dnn
为什么Airbnb EBR和MDCNS都强调负例，却不能直接把模型最高分的未点击项当最好的负例？¶
展开答案与例子
答案： Airbnb的难负例要放在搜索旅程和行为阶段中解释，MDCNS再用多视角分歧避免只追Self偏好。未点击可能来自未充分曝光、替代关系或标注缺失；最高分只表示当前模型认为相近，不保证它确实无关。应同时控制假负例、多样性及采样预算。
教学例子： 示意：用户只预订了一家房，另两家同样合适但已满房。把这两家当绝对无关负例，会把库存结果错误写成语义偏好。
对照来源：airbnb-ebr · mdcns
精排更强为什么仍补不回召回漏掉的兴趣，换训练目标又能改变哪一步？¶
展开答案与例子
答案： 精排只在已有候选中排序，无法创造未入池物品。YouTube DNN明确分开召回与精排，MIMA用多正例分工改变哪些兴趣能提出候选，MDCNS改变检索表征接收的负例梯度。三者应分别检查候选覆盖、固定K质量和后续排序，不能只看最终点击就定位瓶颈。
教学例子： 示意：100个候选全是跑鞋时，精排无法展示相机；多兴趣召回先提名相机，精排才有机会比较它与跑鞋的当前价值。
对照来源：youtube-dnn · mima · mdcns
更新记录¶
新论文带来新路线、改变取舍，或补充现有路线时，都在这里说明。
2026-11-04 · 加入WeSearch，区分簇约束候选、兴趣分工、ADC距离等价和固定参数挂载；L1 CPU证据不升级为完整检索器能力，生产A/B与本地机制继续分开。
涉及：wesearch
2026-10-27 · 首版：比较youtube-dnn、airbnb-ebr、mima、mdcns，围绕召回接口：单向量还是多兴趣通道与正例来自下一行为、旅程还是同请求集合建立分析和跨论文问答。
覆盖 36 篇主题资料；目录见下。
本主题全部 37 篇资料
目录归类覆盖本主题全部资料；重点对照范围以上表为准。
- WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search
- Applying Embedding-Based Retrieval to Airbnb Search
- Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
- ASARL: Autonomous Social-Aware Relevance Learning for QQ Search
- Large Language Model based Long-tail Query Rewriting in Taobao Search
- CAPTS: Channel-Aware, Preference-Aligned Trigger Selection for Multi-Channel Item-to-Item Retrieval
- Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval
- CORE: A Unified Cascaded Ordinal Relevance Estimation Framework for E-commerce Search
- From Reasoning LLMs to BERT: A Two-Stage Distillation Framework for Search Relevance
- CS3: Efficient Online Capability Synergy for Two-Tower Recommendation
- Multilingual Semantic Retrieval for Apple Music Search
- Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling
- GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce
- Not All Candidates are Created Equal: Heterogeneity-Aware Pre-ranking
- HARNESS-LM: A Three-Phase Training Recipe for Harnessing SLMs in Sponsored Search Retrieval
- Efficient Retrieval Scaling with Hierarchical Indexing for Large Scale Recommendation
- LLM Retrieval for Stable and Predictable Ad Recommendations
- Divergence Meets Consensus: A Multi-Source Negative Sampling Framework for Sequential Recommendation
- Melo: A Production LLM-Powered Music Recommendation Agent
- MESH: Scaling Up Retrieval with Heterogeneous Content Unification
- Rethinking ANN-based Retrieval: Multifaceted Learnable Index for Large-scale Recommendation System
- MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment
- MPFormer: Adaptive Framework for Industrial Multi-Task Personalized Sequential Retriever
- MuSeR: Scalable Long-sequence Recommendation with Multi-interest Modeling
- NEXT: Reasoning-Driven Video Recommendation via a Vision-Language Model
- OneShot: Index-in-Ranking with Neural Scoring for Large-Scale Retrieval
- PAIR: Preference-Aligned Intent Retrieval for Premium People Recommendation at LinkedIn
- Policy-Grounded Dynamic Facet Suggestions for Job Search
- RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation
- RPTune: Learned Context Curation for LLM Catalog Search
- SetMIR: Multi-Interest Retrieval as Set Prediction
- LLM-based User-Product Relevance Evaluation for Dynamic Product Advertising
- SPEAR: Selection-aware Personalized End-to-end Adaptive Rewriting and Retrieval for Community Search
- ToolRec: Calibrated Preference Alignment for Query Recommendation in On-Device Assistants
- TransRetrieval: Scaling Up Transformer-Based Retrieval for Industrial Recommendation
- Deep Neural Networks for YouTube Recommendations
- ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation