当推荐系统真正「懂你」：快手团队在NeurIPS 2025提出新成果TagCF

AIGC动态4小时前发布 almosthuman2014

122 0 0

文章摘要

推荐系统长期以来主要依赖对用户兴趣内容的统计建模，却忽略了用户角色这一关键因素。快手消费策略算法团队联合多方提出的TagCF框架，通过引入用户角色（user role）视角，将推荐系统从单纯的内容关联推断升级为对用户本质特性的理解。研究发现，传统统计模型中隐藏的关联（如耳机-交响乐手-小提琴）实际源于用户角色这一混杂因素，而电商场景中”啤酒-尿布”案例也印证了角色视角的重要性。实验证明，基于用户角色的建模不仅空间更稳定，推荐效果也显著优于传统兴趣点（topic）建模。

该研究创新性地拓展出两个新任务：用户角色识别和行为逻辑建模。前者需要系统识别用户的特征、社会角色等深层属性；后者则构建user role与item topic之间的双向逻辑关联图（I2U和U2I）。TagCF框架包含三大核心模块：基于多模态大模型（M3）的视频内容理解中台自动生成标签；基于语言大模型（QWen2.5-7B）的行为逻辑图探索中台构建tag间推理关系；以及面向下游推荐系统的三种增强方案（模型增强、训练增强和预估增强）。为解决工业落地中的挑战，团队提出构建高频tag子集（cover sets）、模型蒸馏和人工评测等方案，使系统在30天内达到稳定状态。

特别值得注意的是，该框架能显式建模并突破信息茧房。通过定义茧房内标签集合T(0)和逻辑推理衍生的茧房外集合T(1)，系统可灵活选择维持准确性（TagCF-util）或探索多样性（TagCF-expl）。线上实验显示，探索策略能使长期用户留存提升0.037%，而用户角色标签相比兴趣标签表现出更强的稳定性和表达能力。这种突破不是随机推荐，而是基于逻辑关系的定向探索。

这项研究标志着推荐系统从”懂内容”到”懂人”的范式转变。TagCF构建的tag-logic中台不仅适用于推荐场景，其通用框架还可迁移至电商、搜索等业务。更重要的是，它在统计模型与符号逻辑之间架起桥梁，为行业带来新的技术想象空间。随着大模型技术的深入应用，推荐系统正进入既能精准匹配又能逻辑突破的新阶段，这也将引发对隐私保护与技术伦理的更深入思考。该成果已被NeurIPS 2025接收，相关代码与实验框架已全面开源。