跳转至

CGR：约束感知生成式重排

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 2603.04227
公司/机构 Bilibili（按第一作者所属机构聚合）
首次公开日期 2026-03-04（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 cgr
本地复现代码 src/auto_research/reproductions/cgr/

原始论文总结

背景与主要改动

CGR 用一个网络同时完成序列生成和奖励估计，将广告位、广告负载等业务规则直接写入自回归解码；约束感知奖励剪枝提前排除不可行分支，避免生成后的启发式修补。

flowchart LR
  A["公开行为与候选"] --> B["cgr 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

CGR：约束感知生成式重排 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

\[ y_t=\arg\max_{i\in\mathcal F(y_{<t})}\left[s_\theta(i|y_{<t})+\lambda^\top r(i)\right]. \]

论文离线与线上效果

  • 在数百万日请求的工业广告流量上提升收入与参与度、满足业务约束，并将推理延迟降低超过 85%。
  • 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 0.05715，相对变化 +5.82%。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：

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

复现边界

本地使用 MovieLens-1M 的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。