DEGR：多样性约束与自适应奖励生成式重排

Fidelity：核心机制复现。实现 next-item CE、cohort 内多样性约束、adaptive reward-weighted ORPO 和多样性感知 greedy 重排。

论文信息

项目	内容
论文链接	arXiv 2608.04809
公司/机构	JD.com
首次公开日期	2026-08-05（arXiv v1）
原文开源代码	否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter	degr
本地复现代码	src/auto_research/reproductions/degr/

原始论文总结

背景与主要改动

逐请求优化容易反复暴露相似商品。DEGR 在生成目标外加入同 cohort item embedding 的平方余弦约束，并用探索反馈形成 reward-adaptive ORPO，使偏好强度随真实探索收益变化；推理时再执行 diversity-aware greedy selection。

flowchart LR
 X["请求与历史"] --> G["生成式 ranker"]
 G --> C["候选 cohort"]
 C --> V["平方余弦多样性约束"]
 R["探索 reward"] --> O["adaptive reward ORPO"]
 V --> S["diversity-aware greedy"]
 O --> S

原论文关键图

原论文 Figure 3（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。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

\[ \mathcal L=\mathcal L_{CE}+\lambda_d\sum_{i<j}\cos^2(e_i,e_j)+\lambda_p\,w(r)\log\!\left(1+e^{-(s^+-s^-)}\right). \]

论文离线与线上效果

京东线上 A/B 报告 UCTR +1.22%、PV +0.20%；因此满足本项目工业论文硬门槛。

本地复现

本地对照口径：基线为同预算 CE generator，实验组加入 diversity 与 adaptive reward ORPO；相对基线 NDCG@10 +0.00%。

MovieLens-1M 260 users / 420 items、50 steps、seed 42。CE 基线和 DEGR 的 NDCG@10 均为 0.01546；DEGR 的 head-share@10 从 0.06346 降到 0.06269（-1.21%），执行 2,400 次 reward-ORPO 与 67,200 个 diversity pair 更新。排序质量持平、头部集中略降，不宣称复现论文线上增益。

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

固定指标见 metrics/movielens1m-seed42.json。

复现边界

公开 MovieLens 没有跨请求曝光与探索 reward；本地以逆流行度代理奖励，未复刻京东十亿请求 reward model。