跳转至

MFLI：面向大规模推荐的多切面可学习索引

Fidelity: 核心机制复现。本地构建并学习 genre、两层 semantic code、freshness 四个 facet，而非用单一 ANN 空间代替论文方法。

论文信息

项目 内容
论文链接 arXiv 2602.16124
公司/机构 Meta
首次公开日期 2026-02-18（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 mfli
本地复现代码 src/auto_research/reproductions/mfli/

原始论文总结

背景与主要改动

ANN 把所有召回目标压进一个几何空间，离线建索引导致新内容滞后，在线近邻搜索又随候选规模变贵。MFLI 将 index 作为模型参数联合学习，并用多个 facet 表达语义、受欢迎度和时效性；请求侧直接分配各 facet 的检索预算。

flowchart LR
  I["item features"] --> F["multiple learned facets"]
  Q["request"] --> A["facet allocation"]
  F --> L["direct index lookup"]
  A --> L
  L --> C["merged candidates"]

原论文关键图

MFLI ANN versus learned index

原论文 Figure 1：传统 ANN 三阶段与联合学习索引的对比。图片来自原论文，版权归原作者所有。

核心公式

对 facet \(m\) 的 code \(c_m(i)\)，请求动态分配 \(a_m(q)\)：

\[ s(q,i)=\sum_m a_m(q)\,P_m\!\left(c_m(i)\mid c_m(q)\right),\quad a(q)=\operatorname{softmax}(g(q)). \]

论文离线与线上效果

  • 7 天 A/B：低 VV 内容曝光 +279%，中 VV +54%，头部 -2%。
  • ultra-fresh +221%、same-day +10%，显式互动 +0.08%、多样性 +0.30%、QPS +60%。

本地复现

本地对照口径：基线为同切分的 single-space ANN proxy，实验组加入四 facet MFLI；NDCG@10 相对 -10.01%。

与 single-space ANN proxy 相比，Hit@10 持平，NDCG@10 -10.01%，head share +9.94%；公开小数据上的 facet 分配没有重现论文的去头部效果，按原样记录。

指标见 metrics/movielens-100k-seed42.json。

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

复现边界

全目录打分用于公平实验，不测 Meta 的十亿级实时索引、GPU QPS 或私有新鲜度标签。