From Extraction to Navigation: Progressive Retrieval with Indirectly Infinite Depth
从抽取到导航：间接无限深度的渐进式检索
🧭 图导航召回 · 间接无限深度探索 ★ 深度解读
Kuaishou Technology · Unaffiliated
将推荐召回建模为跨请求状态演化的图导航过程，突破单次查询的深度限制，缓解搜索漂移
📌 工作参考价值（4 点）
- 用状态接力绕过延迟天花板：将召回视为有状态的多轮探索，通过Redis缓存上一请求的搜索前沿节点，注入下一次请求的种子集，在用户多次交互中累积探索深度而不增加单次延迟。电商/广告场景中，可对同一会话内的翻页、重搜、换词请求复用图游走状态，逐步渗透长尾商品。
- 图硬负采样对抗搜索漂移：在训练时从协同图与语义图中采样拓扑接近但无正交互的邻居作为硬负例，结合pairwise margin loss，让判别器学会区分“结构近但意图远”的节点，抑制多跳导航中的累积误差。在自身召回模型里可直接引入图结构硬负例，提升检索精度。
- 意图锚点融合近期与遗忘兴趣：初始化触发集时，将用户近期曝光项与历史中出现但近期缺失的品类项合并，避免兴趣窄化。广告推荐中可借鉴，用关键品类标签补齐近期未覆盖类目，确保召回起点同时兼顾实时意图与沉睡兴趣。
- 双图异构导航实现互补探索：同时构建协同图（Swing i2i）和语义图（多模态LLM embedding），融合行为相似性与内容相似性路径。电商场景下，协同图保证物理关联，语义图通过画像/标题/视觉相似性发现跨类目商品，适合新品冷启动与跨域推荐。