Not All Is Lost: Repairing Lossy User Preference States of Personalization Encoders
并非全部丢失：修复个性化编码器中的有损用户偏好状态
🧭 推荐系统偏好状态事后校正 ★ 深度解读
KDM Lab, Dhirubhai Ambani University · LCS2 Lab, Indian Institute of Technology Delhi · Dhirubhai Ambani University
提出 REPAIR，利用冻结编码器缓存修复偏好状态，在不改编码器和任务头下提升推荐与个性化生成
📌 工作参考价值（4 点）
- 对已部署的推荐模型，可在不重训编码器、不增加线上编码成本的情况下，插入轻量 REPAIR 模块，直接复用前向计算中已有的逐 timestep 缓存，修复压缩后的用户偏好状态，提升 MRR/nDCG；实验显示仅微调任务头提升很小（如 Mamba4Rec +0.19 MRR），而修复状态本身能带来 +3.96 MRR，说明瓶颈在状态压缩而非头部，排查效果时应优先检查状态表达。
- 修复模块采用低秩可学习模式（K=128）和长/短/片段三时间基函数，是即插即用的工程组件；可借鉴其选择性写回与残差融合设计，控制线上额外延迟（论文报告延迟开销 38-44%）。
- 对于 LLM 个性化生成，可将修复后的状态映射为连续前缀喂给冻结 LLM，在 PerSEval 个性化指标上提升显著（IMPerSumm +25.23%），但通用生成指标变化不大，提示在评估个性化生成时需单独使用个性化敏感指标。
- 训练目标中加入位置和源一致性辅助损失，可稳定修复模块对证据来源的追踪，在电商多行为序列建模中可借鉴该思路，让修复更可解释。