HarmonRank：排序一致的多目标集成

Fidelity: 核心机制复现。本地代码执行论文最有辨识度、可由公开数据验证的机制；私有数据、生产模型与服务栈明确列为边界。

论文信息

项目	内容
论文链接	arXiv 2601.02955
公司/机构	Kuaishou Technology（按第一作者所属机构聚合）
首次公开日期	2026-01-06（arXiv v1）
原文开源代码	否：未找到原作者公开代码（核查日期：2026-09-05）
Adapter	harmonrank
本地复现代码	src/auto_research/reproductions/harmonrank/

原始论文总结

背景与主要改动

第一阶段将 AUC 改写为可微 rank-sum 目标，使各任务从分类分数转向排序对齐；第二阶段用目标间 self-attention 学习购买、评论等目标的依赖，再输出统一序。

flowchart LR
  A["公开行为与候选"] --> B["harmonrank 核心机制"]
  B --> C["同预算方法输出"]
  A --> D["统一直接基线"]
  C --> E["全目录排序与结构诊断"]
  D --> E

原论文关键图

原论文 Figure 3（关键图）：展示原论文方法的总体设计和关键组成。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

\[ \mathcal L_{rank}=-\sum_k\mathrm{AUC}_{soft}(s_k,y_k),\qquad S=\mathrm{Attn}(R_1,\ldots,R_K). \]

论文离线与线上效果

• 快手直播电商线上报告购买 +2.635%、观看时长 +0.451%。
• 上述数字只复述论文证据，不写入本地公开数据效果结论。

本地复现

本地对照口径：同一 MovieLens 全目录协议下，基线 NDCG@10 为 0.05401，实验组为 0.05203，相对变化 -3.65%。本地代理目标与论文生产任务不同，不能外推线上 lift。

三随机种子的完整结果、均值、标准差与 95% CI 见：

• metrics/public-seeds42-44.json

auto-research reproduce --paper harmonrank --dataset-dir data --seeds 42,43,44

复现边界

本地使用 MovieLens 100K 的固定公开子集及可审计代理目标，只验证中心计算机制；不复现原论文的私有日志、生产基础模型、线上分桶和 serving 栈。因此本页不宣称复现原文绝对指标或线上增益。