AlleCompanion：从共购噪声中学习互补商品推荐¶

复现级别：CPU 可训练检索核心。 共享内容/类别编码器、Category Adapter、混合负样本检索损失和类别重建损失均参与反向传播。MovieLens 邻接关系不是商品互补性，不声称复现 ComCat 或线上效果。

论文信息¶

项目	内容
论文链接	RecSys 2026
公司/机构	Allegro.com
首次公开日期	2026-09-04（arXiv v1）
原文开源代码	否：论文未提供官方/作者代码（核查日期：2026-09-07）
Adapter	`allecompanion`
本地复现代码	`src/auto_research/reproductions/allecompanion/`

原始论文总结¶

背景与主要改动¶

共购不等于互补：相机与另一台相机可能经常一起浏览，却不如镜头真正互补。AlleCompanion 先用 ComCat 融合专家规则、人工反馈、LLM 推理和统计挖掘形成类别关系，再用类别约束双塔和 Category Adapter 把候选限制在合理的互补空间。

flowchart LR
  B[共购与行为日志] --> F[数据过滤]
  E[专家/人工/LLM/统计] --> C[ComCat 类别图]
  F --> T[类别约束双塔]
  C --> A[Category Adapter]
  T --> A --> R[互补商品召回]

原论文关键图¶

原论文 Figure 1（关键图）：展示 ComCat、类别适配与推荐服务的完整链路。图片来自原论文，版权归原作者所有。

核心公式¶

本地把类别互补先验写成受控残差：\(s(u,i)=\langle e_u,e_i\rangle+\alpha c_{cat(u),cat(i)}+\beta r(u,i)\)，其中 \(c\) 来自类别图，\(r\) 表示内容与行为转移一致性。

论文离线与线上效果¶

论文报告在 Allegro 全量平台流量上运行两周：Web/App 自然流量归因 GMV 分别提升 8.05%/9.35%，购物车场景分别提升 21.25%/15.73%，并服务每月超过 2,000 万活跃用户。

本地复现¶

2026-09-08 更正：旧版固定加权打分结果作废。实际模型在 src/auto_research/reproductions/sep7_models.py 的 CategoryTwoTower，每个 seed 训练 80 步，对照组为同预算无 Category Adapter 双塔。只使用 train 邻接对；推理对所有候选类别分别计算，不读取测试目标类别。使用 PYTHONPATH=src python scripts/regenerate_sep7_fidelity.py 重跑三 seed 诊断。

MovieLens 公开数据、seeds 42/43/44 的 NDCG、Recall、类别一致性与运行配置见 metrics/movielens-100k-seeds42-44.json。

此外已在 Amazon Beauty 2014 5-core 的 1,000 用户、最多 2,000 商品上执行三种子、同预算 200 步 next-product 对照，完整产物见 metrics/amazon-beauty-5core-seeds42-44.json。数据按用户时间留下最后两个行为，目录只用训练频次构建；内容只含 title/description/brand，不使用 review 文本或 also_bought 边。Category Adapter 是明确负结果：三个 seed 的 test Hit@10 为 0.004/0.003/0.009，共享双塔为 0.074/0.076/0.082。该替代任务没有显式目标类别，不能冒充 ComCat 互补标签，也不能用来否定论文结论。

本地对照口径：基线与实验组使用相同公开数据和候选预算；相对变化见指标产物（基线为零时不适用），不与 Allegro 线上 GMV 横向比较。

复现边界¶

ComCat 原始映射、Allegro 行为数据和生产服务未公开；本地实现的是可审计核心机制，不是生产系统复刻。