SetMIR: Multi-Interest Retrieval as Set Prediction
SetMIR：把多兴趣召回建模为集合预测
🧭 多兴趣向量召回 · Set Prediction ★ 深度解读
Snap Inc.
用 Hungarian 一对一匹配 + presence 门控解决多兴趣召回的兴趣坍缩与固定 ANN 预算问题
📌 工作参考价值（4 点）
- 如果现有多兴趣召回存在 interest collapse，可以直接把 argmax 目标分配换成 Hungarian 一对一匹配，并给未匹配 query 明确的 absence 标签；训练成本低，只增加一个小型匹配步骤。
- 在 ANN 召回侧做动态 query 调度：presence head 先过滤低置信兴趣，再做 query-level NMS 去冗余，平均 ANN 调用可减少 33% 而召回几乎不降；线上可先离线扫描 τ、δ 找安全阈值。
- 已有统一 item embedding 和 ANN 索引时，可以在 user 侧加 learnable queries，item 侧保持单向量，避免改造索引；event-type 的 α-gated embedding 初始化 α=0，能平滑引入行为信号。
- K 不一定要很大：实验里 K=7 已接近 K=10 的 99.8% R@10，生产可先用较小 query bank 控制 decoder 成本。