0
0当推荐系统掌控的是稀缺、短时效的供给时，盯着点击率优化可能是在系统性浪费匹配机会。本期深入拆解一篇在日本最大零工平台做的县级 A/B 实验，看它如何把推荐从"猜你喜欢"重新做成"分配稀缺曝光"，以及这套思路怎么迁移到广告流量分配。
本期重点
- 稀缺曝光下的推荐机制设计（Designing Recommendation Exposure and Favorite Lists: A Field Experiment in a Spot-Work Platform）——Timee 平台提出 TEC 阈值控制方法，把配额转成可并行计算的资格阈值，岗位达成率从 57.6% 提升到 70%，县级整体切流实验设计直接适用于本地生活/O2O 广告评估。
- LLM 生成式推荐的记忆行为（On the Memorization Behavior of LLMs in Generative Recommendation）——发现 LLM 做生成式推荐时效果主要来源于"一跳记忆"而非泛化，对 GR 类排序模型的过拟合控制是实打实的警钟。
- 多智能体并发异常验证（字节 Verified Detection）——把多 Agent 共享 memory/工具池建模为数据库长事务，形式化四类并发异常，标志 Agent 方向从"能跑"到"可验证"的工程化转折。
- LLM 推荐中的品牌偏见（Incumbent Advantage）——当 LLM 成为消费决策入口，品牌竞争与商业化分发规则可能被重写，中长期值得广告从业者跟踪。
今日趋势
- 检索排序方向延续工程化，重心落在生成式检索 debug、时序偏好优化等链路细节；Agent 与多智能体明显抬头，话题从能力转向并发安全与可靠性。
- Timee 曝光实验 + 生成式推荐记忆行为 + 信息茧房闭环仿真，从机制设计、模型训练、长期效应三个层面共同追问：当推荐链路被 LLM 重塑后，曝光控制与多样性该怎么重新设计。
如果你在负责广告或推荐的曝光分配，可以试着把现有流量分配逻辑画成"分数—阈值—资格集合"的形式——画不出来，说明系统只在做排序，没在做分配。
📎 今日完整日报与论文列表：GitHub 归档
本期内容由 AI 自动生成，欢迎留言交流、指正。
