跳转至

OneShot：把可学习索引放进排序模型

Fidelity: 核心机制复现。本地执行 ranking-shaped 分层索引、路径探测和非点积 neural scoring；确定性 assignment 代理生产训练中的 STE 与全局平衡优化。

论文信息

项目 内容
论文链接 arXiv 2607.27475
公司/机构 Meta / Instagram
首次公开日期 2026-07-29（arXiv v1）
原文开源代码 否：截至 2026-08-24 未发现原作者公开代码
Adapter oneshot-index
本地复现代码 src/auto_research/reproductions/oneshot_index/

原始论文总结

背景与主要改动

传统 ANN 索引按 embedding 几何邻近性组织物品，而排序目标直接优化用户行为，两者不一致。OneShot 在模型内共同学习层级索引和排序：前向使用离散路径，反向用 straight-through estimator；全局路径平衡避免热门桶拥塞；候选进入路径后再使用比点积更强的 neural scoring。

flowchart LR
  U[用户历史] --> Q[query encoder]
  I[物品] --> E[item encoder]
  E --> H[模型内层级索引]
  Q --> P[路径打分与探测]
  H --> P
  P --> C[候选集合]
  Q --> N[neural interaction scorer]
  C --> N
  N --> R[检索排序]

原论文关键图

OneShot：把可学习索引放进排序模型 原论文 Figure 1

原论文 Figure 1（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

离散路径用 STE 连接 ranking loss：

\[ z_l=\operatorname{onehot}(\arg\max_j a_{l,j}),\qquad \frac{\partial z_l}{\partial a_l}\approx\frac{\partial\operatorname{softmax}(a_l)}{\partial a_l}. \]

训练目标联合排序、索引和全局平衡：

\[ \mathcal L=\mathcal L_{rank}+\lambda_{idx}\mathcal L_{index}+\lambda_{bal}\mathcal L_{global\ balance}. \]

论文离线与线上效果

OneShot 在 operational ranking volume 上 Recall +20%，等召回效率提高 10×。该模型已部署到 Instagram 全球流量；线上 A/B 的 daily sessions +0.035%、watch time +0.136%、post impressions +0.278%、source rate +61.58%。

本地复现

本地对照口径：基线为同数据、同全库评测的 two-tower 点积检索；实验组加入 ranking-shaped 分层索引和 neural scoring，NDCG@10 相对 -7.70%。

MovieLens-100K 单 seed 中，two-tower 基线 Hit@10/NDCG@10 为 0.0409/0.0144，OneShot 为 0.0364/0.0132，相对 -11.11%/-7.70%。小目录上的索引约束损失了候选覆盖，说明论文收益依赖十亿规模下的索引-排序失配和完整平衡训练。

auto-research reproduce --paper oneshot-index --dataset-dir data --seed 42

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

复现边界

未复刻 Instagram 私有数据、十亿物品多机索引、STE 训练 kernel、SCO 全局平衡与线上检索服务；本地结果不等同论文复现指标。