MIMA：用多正例排他分配学习互补兴趣

复现级别：公开数据核心机制。 执行多正例分组、一对一最小成本分配、互补兴趣更新和兴趣激活校准；生产 causal Transformer 由公开序列特征替代。

论文信息

字段	内容
论文链接	arXiv v1
公司/机构	Alibaba International Digital Commerce Group（第一作者第一署名单位）
首次公开日期	2026-09-11（arXiv v1）
原文开源代码	否：未发现原作者公开代码（核查日期：2026-09-15）
Adapter	mima
本地复现代码	src/auto_research/reproductions/mima/

原始论文总结

背景与主要改动

传统多兴趣召回每个训练样本只有一个正例，容易反复更新同一个最相似兴趣并造成 interest collapse。MIMA 把同一请求共同出现的物品视为多正例集合，用 causal decoder 生成多个兴趣，再用 Hungarian matching 强制正例与兴趣一对一监督；routing 模块估计每个兴趣的激活概率，使不同通道的分数可比较。

flowchart LR
  H[历史序列] --> D[Causal interest decoder]
  D --> I[多个互补兴趣]
  P[同请求多正例] --> M[排他 Hungarian matching]
  I --> M
  I --> R[兴趣 activation routing]
  M --> L[一对一训练目标]
  R --> S[校准后的多通道召回]

原论文关键图

原论文 Figure 2（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

对兴趣 \(i_k\) 与正例 \(p_j\) 构造代价 \(C_{kj}=-i_k^\top p_j\)，求 \(\pi^*=\arg\min_\pi\sum_k C_{k,\pi(k)}\)；推理时再以 \(\log a_k\) 校准各兴趣通道得分。本地 mini-suite 对小规模矩阵穷举求得与 Hungarian 目标等价的精确最优一对一分配。

论文离线与线上效果

工业离线 HR@100/500/1000 相对最佳基线提升 7.98%/12.24%/13.03%。七天生产 A/B 中交易数 +5.60%、交易额 +5.44%，独占曝光比例增加 5.12 个百分点（Section 5.5，Tables 5–6）。

本地复现

MovieLens 100K、seeds 42/43/44 的统一结果见 metrics/movielens-100k-seeds42-44.json。训练正例只来自历史序列，不读取 validation/test 答案；blend 只由 validation 选择。

本地对照口径：基线 NDCG@10=0.05401，实验组 NDCG@10=0.04589，相对变化 -15.03%。

复现边界

公开数据没有生产“同请求多成交”日志，本地以相邻行为组替代；未复刻阿里私有 catalog、生产 causal Transformer checkpoint 和在线召回系统。当前不映射 evolve，避免只有 registry 标签而无可执行候选协议。