GenPage: Towards End-to-End Generative Homepage Construction at Netflix

保真度：核心机制复现。原文结论、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 2606.31031
公司/机构	Netflix
首次公开日期	2026-06-30（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	genpage
本地复现代码	src/auto_research/reproductions/genpage/

原始论文总结

背景与主要改动

用一个生成模型直接输出整页而非逐阶段召回排序，并在 WBC/SFT 后以生产长期奖励进行 RL 后训练，同时处理业务规则和冷启动。

flowchart LR
 A["首页提示"] --> B["整页自回归生成"] --> C["WBC/RL 与规则"]

原论文关键图

原论文 Figure 6（关键图）：展示原论文的训练流程与关键优化环节。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

\[ \pi^*=\arg\max_\pi\mathbb E_{Y\sim\pi(\cdot|h)}[R_{page}(Y)] \]

论文离线与线上效果

原文的主要线上证据为 core engagement +0.24%（online A/B; p<0.001）。论文离线表与线上指标使用私有或论文指定口径，不能与下面的 MovieLens 数字直接比较。

本地复现

本地对照口径：基线为共享 transition + content scorer；实验组在相同用户、物品、全库候选和 seed 上只加入 genpage 核心机制，相对 NDCG@10 -3.98%。

MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0519（-3.98%），Hit@10 0.1091 → 0.1045。验证集只用于选择机制混合权重，测试集没有参与调参。

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

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；公司私有特征、生产基础模型与在线流量不可公开，论文 A/B 数字仅作原文引用。 本地实现执行了独立的模型状态和打分路径；它不是把论文名映射到同一个加权公式。未复刻项见 adapter 的 omitted_core_components，本地相对变化不得与原文 A/B 提升混写。