Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
碳感知重排序：电商推荐中参与度与可持续性的权衡
🧭 电商推荐 · 碳感知重排序 · 多目标优化 ★ 深度解读
University of California, Berkeley
在缺碳标签场景下，用检索增强LLM估计PCF并以线性λ重排序，发现大幅减排仅需微小参与度损失
📌 工作参考价值（4 点）
- 借鉴检索增强+少样本LLM估计商品碳足迹的思路，仅需目录文本元数据即可为缺标签商品补全PCF，降低对LCA数据的依赖
- 后置重排序的线性标量公式\(s_{ui}=(1-\lambda)\tilde{y}_{ui}-\lambda\tilde{PCF}_i\)实现透明、可插拔的碳感知控制，无需重训模型，适合快速上线与迭代
- 将\(\lambda\)作为可审计的政策参数，允许业务侧按品类或季节动态调节参与度与碳之间的取舍，符合算法透明性要求
- 品类间碳减排可及性的显著差异提示我们：在电商应用中应按品类（或细分类目）评估替代品丰富度，差异化设计碳感知策略，避免一刀切