MetaStrategy：生成可执行排序策略的工业推荐¶
Fidelity：核心机制复现。 实际训练上下文条件策略生成器，并以确定性 compiler 执行 typed strategy；本地负结果如实保留。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2608.09440 |
| 公司/机构 | Alibaba / Taobao |
| 首次公开日期 | 2026-08-10（arXiv v1） |
| 原文开源代码 | 否：未发现原作者公开代码（核查日期：2026-08-13） |
| Adapter | metastrategy |
| 本地复现代码 | src/auto_research/reproductions/metastrategy/ |
核心训练实现在 latest_20260813_common.py。
原始论文总结¶
背景与主要改动¶
固定打分网络难以按用户当下意图动态改变目标。MetaStrategy 让 LLM 输出带类型的 JSON 排序策略，包括目标权重、内容/类目偏好、约束与位置规则；确定性 compiler 将策略执行在候选列表上，避免自由文本直接控制线上排序。生产训练还用 replay 环境、自竞争 curriculum、evaluator-routed reward-augmented OPD 将 4B teacher 蒸馏到 0.8B student。
flowchart LR
C["用户与请求上下文"] --> G["LLM Strategy Generator"]
G --> J["typed JSON strategy"]
J --> V["schema / safety validation"]
V --> E["deterministic compiler"]
I["候选与多目标信号"] --> E
E --> R["最终排序"]原论文关键图¶
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¶
其中生成器只产生可审计的策略参数，排序由 compiler 确定性执行。
论文离线与线上效果¶
淘宝首页“猜你喜欢”进行了 7 天用户随机线上 A/B：click PV +2.11%、IPV +3.12%、交易金额 +2.83%、曝光 PV +1.49%。
本地复现¶
本地对照口径：基线为同预算单目标排序器，实验组为 typed strategy generator + deterministic compiler；NDCG@10 相对变化 -8.51%。
MovieLens-1M 260 users / 420 items、50 steps、seed 42。单目标基线 NDCG@10 0.02083；typed strategy 为 0.01906（-8.51%），但 head share 从 0.06538 降到 0.03731，并执行 2,400 个策略 bundle。短训练下多目标约束牺牲了相关性，不能写成线上提升的复现。
固定指标见 metrics/movielens1m-seed42.json。
复现边界¶
未复刻淘宝私有日志、生产 replay、4B→0.8B OPD 与 nearline serving；公开实验只验证“生成 typed bundle → 校验 → 确定性执行”的核心路径。