跳转至

FilterLLM：从文本直接生成用户分布

Fidelity: 核心机制复现。实际学习文本到压缩用户词表分布，并用行为分布约束冷启动表示。

论文信息

项目 内容
论文链接 arXiv 2502.16924
公司/机构 Alibaba
首次公开日期 2025-02-24（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter filterllm
本地复现代码 src/auto_research/reproductions/filterllm/

原始论文总结

背景与主要改动

逐用户判断难以服务十亿用户冷启动。FilterLLM 把商品文本一次映射为用户分布，通过用户词表压缩输出空间，并用历史行为指导分布学习。

flowchart LR
  T["新品文本"] --> L["Text encoder / LLM"]
  V["压缩用户词表"] --> D["User distribution"]
  L --> D
  B["历史行为分布"] --> G["Behavior guidance"]
  G --> D
  D --> C["冷启动候选"]

原论文关键图

FilterLLM：从文本直接生成用户分布 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ p(u\mid x_i)=\operatorname{softmax}(W h(x_i)),\qquad \mathcal L=-\sum_u q(u\mid i)\log p(u\mid x_i). \]

论文离线与线上效果

论文离线显示 text-to-distribution 在冷启动召回上优于逐用户判断式 LLM；线上相对 ColdLLM：Cold-PV +5.13%、PCTR +3.93%、GMV +10.86%，推理时间 -97.12%。

本地复现

本地对照口径：相对 content-to-item judgment 基线，实验组 NDCG@10 -9.82%。

同一 MovieLens-1M 全目录协议下，NDCG@10 0.07514→0.06776（-9.82%），Hit@10 0.14048→0.12619。这是负结果：genre 文本代理不足以复现工业新品文本收益。指标见 metrics/movielens-1m-seed42.json。

auto-research reproduce --paper filterllm --dataset-dir data --seed 42

复现边界

用户词表由公开交互 SVD 压缩，不是十亿用户 LLM token；没有淘宝新品文本、流量和延迟栈。