跳转至

SetMIR：把多兴趣召回建模为集合预测

复现级别：核心机制 + 公开数据。 复现兴趣集合、presence 门控和 query-level NMS。

论文信息

字段 内容
论文链接 arXiv 2608.30251
公司/机构 Snap Inc.（第一作者第一署名单位）
首次公开日期 2026-08-31（arXiv v1）
原文开源代码 否：未发现原作者公开代码（核查日期：2026-09-05）
Adapter setmir
本地复现代码 src/auto_research/reproductions/setmir/

原始论文总结

背景与主要改动

SetMIR 用 K 个可学习 query 解码无序兴趣集合，Hungarian matching 强制一对一分工以抑制兴趣坍缩；presence head 判断本次请求实际需要哪些兴趣，服务时再用 query-level NMS 删除重复 ANN 请求。

flowchart LR
  H[用户历史] --> E[Transformer encoder]
  Q[K 个 learnable queries] --> D[Set decoder]
  E --> D
  D --> P[presence gate]
  P --> N[query NMS]
  N --> A[动态 ANN 请求]

原论文关键图

SetMIR：把多兴趣召回建模为集合预测 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

集合匹配目标为 \(\min_{\sigma\in S_K}\sum_k \mathcal L(q_k,y_{\sigma(k)})\)；推理只派发 presence 通过且未被 NMS 抑制的 query。

论文离线与线上效果

论文在 Snap DPA 上减少 33% ANN 请求，总体 CVR +3.1%，并已作为生产召回源部署。

本地复现

用公开类型簇代理兴趣 query，执行 presence 与相关性 NMS；NDCG@10 从 0.05401 到 0.05665。三 seed 产物见 metrics/public-seeds42-44.json。

本地对照口径：基线 NDCG@10=0.05401，实验组 NDCG@10=0.05665，相对变化 +4.90%。

复现边界

未复刻私有 DPA 历史、生产 Transformer checkpoint 与 ANN dispatch；仅声明 CPU 公共数据路径。