跳转至

SnapLGR：面向 Snapchat 内容推荐的 LLM 生成式召回

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；生产模型、私有日志与服务基础设施明确列为边界，不用普通基线冒充完整工业系统。

论文信息

项目 内容
论文链接 arXiv 2607.28895
公司/机构 Snap Inc.（第一作者团队）
首次公开日期 2026-07-30（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-09-01）
Adapter snaplgr
本地复现代码 src/auto_research/reproductions/snaplgr/

原始论文总结

背景与主要改动

先从共参与图传播内容相关性，再用分层残差量化形成 semantic ID；训练时把 SID token 与真实内容表征对齐，并学习用户序列到下一 SID 的生成转移。

flowchart LR
  A["公开行为与候选"] --> B["snaplgr 核心机制"]
  B --> C["同预算方法输出"]
  A --> D["论文定义的直接基线"]
  C --> E["统一指标与结构诊断"]
  D --> E

原论文关键图

SnapLGR：面向 Snapchat 内容推荐的 LLM 生成式召回 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

\[ r=(1-\alpha)e_i+\alpha P^\top r,\qquad q_\ell=\arg\min_k\lVert r_{\ell-1}-c_{\ell k}\rVert^2. \]

论文离线与线上效果

  • 7 天生产 A/B：view time +0.37%（p=0.007）、time spent +0.09%（p=0.048）、deep sessions +0.18%；论文另报告 A100 TensorRT serving 45.7× 加速。
  • 上述数字只复述论文线上证据，不写入本地公开数据的效果结论。

本地复现

本地对照口径：基线为普通 residual SID，实验组加入共参与传播、grounding 与 SID transition；seed 42 的 NDCG@10 为 0.01044，基线为 0.01753，负结果保留。相对生产 LLM 训练的外推不适用。

三随机种子完整结果、均值、标准差与 95% CI：

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

复现边界

本地使用公开 MovieLens 特征或由其构造的可审计代理任务，不能复现论文公司的私有用户日志、线上流量分配、生产模型规模和 serving 栈。因此本页只把本地结果解释为机制级验证；不将其外推为论文线上 lift，也不声称与原文绝对指标可直接比较。