Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay
推荐系统陈旧内容分解：超替与衰减双过滤器
🧭 候选集陈旧度过滤 · LLM 蒸馏 + 流量预测 ★ 深度解读
Google LLC
用 LLM 蒸馏的 pairwise 超替检测与多模态流量比例预测在排序前过滤陈旧内容，Google Discover 用户投诉降 54.9%
📌 工作参考价值（4 点）
- 把候选集陈旧度拆成「超替」和「衰减」两类，分别用 pairwise 关系模型和内容流量预测做上游 OR 过滤，可复用到电商的促销/价格/库存更新、广告素材生命周期管理；在排序前剪枝还能直接省 CPU/TPU。
- 用 LLM 合成 pair 训练数据时，先聚类去冗余、再在中等相似度区间加权采样，能显著提高正样本比例；同时监督 rationale 比只监督 class 更好，并可加入 NLI 等 pair 关系辅助任务。
- PTR 类流量预测建议用 search-click / 主动意图信号，不用 page-view，避免 Publisher 推广 bias；多模态 early fusion + 多 horizon 多任务输出，比 late fusion 更省也更强，决策时取已过最大 horizon 的单调阈值即可。
- 在线评估体验类指标可借鉴 prevalence-delta A/B：按实验组 vs 对照组的 view delta 采样 item 做人评，解决用户投诉稀疏的统计功效问题；item-level 无个性化信号离线缓存、serving 时查表，不增加在线推理成本。