A Production-Ready RL Framework for Personalized Utility Tuning with Pareto Sweeping in Pinterest Recommender Systems¶
保真度：核心机制复现。原文线上结论、本地公开数据实验和未复刻部分分开陈述。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2605.16344 |
| 公司/机构 | |
| 首次公开日期 | 2026-05-08（arXiv v1） |
| 原文开源代码 | 否：原文未提供官方/作者代码（核查日期：2026-08-24） |
| Adapter | prl-puts |
| 本地复现代码 | src/auto_research/reproductions/prl_puts/ |
原始论文总结¶
背景与主要改动¶
双头 Q 网络分别估计 Repin 与 P2P utility，再通过 Pareto sweeping 离线筛选不劣策略；线上仅切换可治理的权重策略，不更换模型。
flowchart LR
A["双目标 Q 网络"] --> B["Pareto 策略扫描"] --> C["用户分群策略"]原论文关键图¶
原论文 Figure 3（关键图）：展示原论文的整体流程、关键阶段及其数据流向。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¶
\[
a^*=\arg\max_a[\alpha Q_{repin}(s,a)+(1-\alpha)Q_{p2p}(s,a)]
\]
论文离线与线上效果¶
原文线上证据：P2P impressions +0.30%（1% per arm, two weeks，Section 6.4 / Table 1）。论文私有口径不能与下方 MovieLens 指标直接比较。
本地复现¶
本地对照口径：基线为共享 transition + content scorer；实验组在同一用户、物品、全库候选和 seed 上只加入
prl-puts核心机制，相对 NDCG@10 +39.64%。
MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0754（+39.64%），Hit@10 0.1091 → 0.1318。验证集只选择混合权重，测试集未参与调参。
固定指标见 metrics/public-seed42.json。
复现边界¶
在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；私有特征、生产基础模型和在线流量不可公开，论文 A/B 数字只作原文引用。 本地实现拥有独立模型状态和打分路径；负结果同样保留，且本地相对变化不得与原文 A/B 提升混写。