MuSeR：分层长序列与多兴趣检索¶

复现级别：概念验证（非论文完整复现）。 本地训练了分层时间压缩、Transformer 编码、可学习多查询兴趣、候选自适应兴趣融合与正交约束；但论文的 ERNIE→BGE 多模态语义链路被公开商品标签替代，因此不能把本地结果称为 MuSeR 论文效果。

论文信息¶

项目	内容
论文链接	arXiv v1
公司/机构	Baidu
首次公开日期	2026-09-20（arXiv v1）
原文开源代码	否：截至 2026-09-26 未找到原作者发布的 MuSeR 实现仓库
Adapter	`muser`
本地复现代码	`src/auto_research/reproductions/muser/`

原始论文总结¶

背景与主要改动¶

工业用户长期行为可达十万级，直接截断丢掉稳定偏好，直接 Transformer 编码又超预算。MuSeR 将最近行为原样保留，中期与远期行为分别用更大步幅汇聚；压缩后的序列由轻量 Transformer 编码。多组可学习 query 从序列状态提取不同兴趣，候选物品再通过相似度 softmax 选择兴趣。论文还把 ERNIE 生成的内容摘要蒸馏后用 BGE 编码，与 ID embedding 对齐并融合；训练使用 next-K 对比目标和兴趣正交正则。生产侧异步缓存长期表示、在线刷新短期表示，并配合分层检索。

flowchart LR
  H[用户长期行为] --> C[近期保真 / 中期池化 / 远期粗池化]
  C --> T[Transformer 序列编码]
  T --> Q[多个可学习兴趣 query]
  I[物品 ID 与内容语义] --> E[融合候选向量]
  Q --> R[候选相关兴趣选择]
  E --> R
  R --> S[全库检索分数]
  Q --> O[兴趣正交约束]

原论文的架构图、线上部署图和实验表见官方正文 Figure 2–3 / Table I。本页 Mermaid 是按正文机制重绘，避免把本地标签实验误标为论文多模态模型。

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¶

令压缩序列状态为 H、查询为 q_m，则兴趣向量为 u_m=softmax(q_m Hᵀ/√d)H。给定候选 e_i，用 α_m=softmax_m(cos(u_m,e_i)/τ) 选择兴趣，得分为 Σ_m α_m cos(u_m,e_i)/τ。正样本与负样本上的交叉熵叠加 λΣ_{m≠n}(u_mᵀu_n)² 抑制兴趣坍缩。本地代码实际优化这两项，而非仅展示公式。

论文离线与线上效果¶

原文在 Amazon 2023 的 Instruments、Scientific、Game 子集与 Baidu 私有日志上报告 Recall@K / NDCG@K；Baidu APP 线上 A/B 报告 DAU +0.26%、总会话时长 +0.89%，均 p<0.05。这些是论文原始结果，不能由本地数据重现。

本地复现¶

本地对照口径：最近序列单兴趣 ID 为基线，三 seed test Recall@10 均值 0.0100；完整本地实验组 0.0257，相对 +156.7%、绝对 +0.0157。这是低绝对值的诊断结果，不代表论文方法在目标场景中取得显著提升。

本地使用 KuaiRand-Pure 的前 50 万条原始日志与 user_id<10000，保留其中 48,075 条正反馈；得到 12,462 个训练前缀、2,140 个 validation 用户末二正例之一与 2,140 个 test 用户最后正例。四组同样训练 800 步、seed 42/43/44；从各集合固定随机抽取 1,000 条作完整 7,583 物品排序，屏蔽历史已见物品。实验不是论文的 Amazon 数据，也没有在线 A/B。

本地完整物品排序，三 seed test 均值	Recall@10	NDCG@10
分层压缩 + 多兴趣 + 公开标签融合	0.0257	0.0129
仅最近序列 + 单兴趣 + ID	0.0100	0.0053
去掉分层压缩	0.0247	0.0132
去掉公开标签融合	0.0110	0.0054

本地对照口径：同数据、相同预算的“最近序列单兴趣 ID”是基线。小规模切片中，分层压缩消融差距很小，不能声称此模块获得稳健收益；标签融合与多兴趣的组合有探索性信号，但不能归因于论文的 ERNIE/BGE。完整逐 seed 数字见指标文件。

复现命令：auto-research reproduce --paper muser --dataset-root data。数据按仓库的公开 KuaiRand-Pure 加载协议获取；首次下载需联网。

复现边界¶

公开数据只有视频标签作为内容特征，没有论文使用的 ERNIE 摘要、ERNIE-Speed 蒸馏、BGE 文本/视频向量；这决定了本实验只能列为概念验证。
使用单机压缩和全库精确排序，不复刻十万级行为、异步缓存、HNSW 分层 beam、延迟和生产流量。
该数据切片训练/评测规模远小于论文，三 seed 不等于线上显著性；指标只能比较同一公开协议下的这些实现变体。