MESH: Scaling Up Retrieval with Heterogeneous Content Unification
MESH：通过异质内容统一扩展检索规模
🧭 异质内容统一检索 · 尺度优化
提出模块化门控偏置校正框架MESH，缓解多内容层级检索中的扩展偏置，大幅提升稀疏内容召回能力
📌 工作参考价值（4 点）
- 异质内容分域建模：将不同曝光频次的内容（爆款、长尾、冷启动）划分独立特征域，通过域隔离减少高频信号对低频信号梯度更新的干扰。电商推荐中可针对新品、长尾商品设置专属子塔或门控单元，避免被爆品淹没。
- 门控偏置校正单元：在上层融合前引入可学习的门控偏置，自动校准不同域的输出置信度，缓解冷门 item 在打分时被系统性低估的问题。可直接嵌入现有双塔或多塔的融合层。
- 稀疏 item 缩放指数提升14×：该方法显著改善新鲜物品的长尾分布拟合，线上新鲜 repin 提升5.5%，证明长尾内容也能从模型容量增长中受益。适用于电商新品冷启、UGC内容推荐等场景。
- 异步 Serving 提升吞吐2.87×：模块化设计天然支持异步执行，稀疏分量可延迟更新或复用缓存，降低在线延时。对需要多路召回融合的大规模系统，可作为工程优化参考。