Knowledge–Geometry Decoupling: Refreshable Pretrained Transfer for Streaming Recommendation¶

复现级别：核心机制复现。 论文的中心算子在本地真实执行；生产私有数据、大模型权重或专用服务未复刻，论文结果与本地结果严格分开。

论文信息¶

项目	内容
论文链接	arXiv 2608.02738
公司/机构	Xiamen University / Shopee
首次公开日期	2026-08-03（arXiv v1）
原文开源代码	是：官方/作者代码
Adapter	`kgd`
本地复现代码	`src/auto_research/reproductions/kgd/`

主题：流式推荐预训练与迁移。 相邻点击并不总是有效依赖。KGD 用 BMTP 筛出协同或语义相关的未来物品；迁移时冻结可刷新知识编码器，用只读 cross-attention 读取知识，并以与锚点正交的 ACR 写入任务几何。

flowchart LR
    N0["行为序列"] --> N1
    N1["BMTP 多步监督"] --> N2
    N2["可刷新知识编码器"] --> N3
    N3["只读迁移 + ACR"] --> N4
    N4["排序任务"]

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

\(\mathcal L_{BMTP}=-\sum_{j\in\mathcal R_t}\log p(i_{t+j}\mid i_{\le t}),\quad r_{ACR}=r-\operatorname{proj}_{e}(r)\)

8 个公开基准相对强预训练迁移基线提升 4%–12%；Shopee 首页搜索线上 GMV/user +1.75%、广告收入 +1.53%，并已全量部署。

MovieLens-1M 上比较相邻 NTP 与 BMTP+冻结知识+正交 ACR，执行全库排序。

运行：

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

稳定指标保存在 metrics/public-seed42.json，不提交 checkpoint。

本地对照口径：基线为去掉论文特有机制、其余数据切分与预算相同的 matched control；实验组为 kgd 核心机制；相对变化见 public-seed42.json；跨论文百分比不适用。