Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
Allegro 互补推荐：从共购噪声到语义兼容
🧭 互补商品推荐 · 双塔+类别映射 ★ 深度解读
Allegro.com · NVIDIA
生产级互补推荐框架 AlleCompanion：用 Category Adapter 和 ComCat 类别映射抑制共购噪声，在 Allegro 实现购物车 GMV 提升 15-21%
📌 工作参考价值（4 点）
- 用类别映射解耦业务规则与模型：将专家规则、LLM 推理、人工标注与共现统计融合成一个 Complementary Category Mapping（类似 ComCat），线上作为目标类别条件输入模型，业务规则更新无需重训。对电商互补/搭配推荐尤其适用，可维护性远高于改训练数据。
- 双塔中加入 Category Adapter + 重建损失：把目标互补类别 embedding 拼接到 query 塔，并加 auxiliary classification/reconstruction loss，能在 latent space 内直接约束检索类别，避免后处理 hard filter 导致候选不足（论文中 hard filter 即使采样 15 倍也只剩 7 个有效候选）。
- 数据清洗要克制，专家知识放映射层而非训练集：用最小 pair count 和同 department 不同 category 启发式重平衡训练数据能提升互补占比，但过度用专家规则过滤/合成训练集会大幅降低 Recall（纯专家规则 Recall@20 仅 0.0818）。建议保留大部分真实交易分布，把领域知识注入映射层。
- 不同场景/位置调混合策略：结算前 in-cart 场景用 same-category（互补+替代混合）带来 GMV +15-21%，而产品页 sponsored 纯互补也有广告收入提升；说明电商推荐需要按 placement 分别配置互补/替代比例，而非全局统一模型。