Recommandation, classement et personnalisation

Ce dossier rassemble huit lectures de prépublications consacrées à la recommandation, au classement et à la personnalisation. Les travaux abordés ne partagent ni le même terrain ni la même échelle : un challenge public sur des données de clic, deux systèmes industriels déployés chez Facebook Marketplace et Kuaishou, une reproduction universitaire de profils textuels, un reranker entraîné sur plusieurs trajectoires de raisonnement, une recherche publicitaire fondée sur des représentations hiérarchiques, et une recommandation générative pilotée par un score de risque appris.

Ils se lisent ensemble parce qu'ils posent la même question sous des formes différentes : quand un chiffre de performance autorise-t-il à dire qu'un mécanisme fonctionne ? Chacun de ces papiers contient au moins un contrôle qui déplace la conclusion que son titre laissait attendre. Une ablation laissée sur des données tenues à l'écart, un routage aléatoire de même proportion, une perturbation de profil qui change les notes sans changer les rangs : ces dispositifs valent souvent plus que le gain annoncé.

Le lecteur en retire une liste de contrôles à exiger avant d'accorder du crédit à une amélioration de recommandation, et une idée plus nette de ce que chaque étape du pipeline, récupération, classement, explication, peut et ne peut pas porter. Tous les chiffres cités ici sont ceux rapportés par les auteurs dans leur protocole, et les lectures éditoriales sont signalées comme telles.

Quand l'encodage des variables compte plus que la séquence

Les architectures de recommandation industrielle combinent séquences de comportement, champs catégoriels et variables denses. Quand toutes ces pièces progressent en même temps, on ne sait plus laquelle généralise. Le preprint Dense Feature Representation over Sequence Modeling étudie la question dans le challenge KDD Cup 2026 Tencent UniRec. Les auteurs partent du baseline PCVRHyFormer, ajoutent les mécanismes un par un, puis complètent cette chaîne par une ablation leave-one-out mesurée sur la métrique du leaderboard, afin de ne pas confondre un gain de validation avec un gain sur une distribution tenue à l'écart.

Le modèle sépare les champs denses en groupes de tokens, applique log(1+x) aux colonnes à longue traîne et ajoute des projections alignées entre certains champs. La séquence de comportements est fusionnée dans un flux ordonné par le temps, avec un canal de polarité et une tâche auxiliaire de masquage. S'y ajoutent un optimiseur orthogonalisé AMUSE et une régularisation sparse AdagradAR.

Le jeu Round-2 contient 34,82 millions d'enregistrements de clic répartis en 57 691 groupes. La chaîne en quinze étapes fait passer l'AUC de test de 0,813237 à 0,827816 ; la soumission finale atteint 0,828535 et se classe dixième. Dans l'ablation, retirer la pile de représentation dense coûte 0,009496 d'AUC de test, remplacer AMUSE par AdamW coûte 0,002821, retirer AdagradAR coûte 0,000890. Les éléments séquentiels étudiés restent dans ou près d'une bande de bruit heuristique de plus ou moins 0,0004. La validation iid dépasse le test d'environ 0,014, et certaines modifications de mémorisation inversent même leur signe entre validation et leaderboard.

La lecture éditoriale retient le point de méthode : une chaîne d'améliorations n'attribue pas proprement les causes, et la métrique de test doit refléter le changement de distribution attendu. Elle ne justifie pas de supprimer les historiques de comportement. Les étapes sont en grande partie à graine unique, la bande de plus ou moins 0,0004 n'est pas un intervalle de confiance, et le split non temporel reste une faiblesse reconnue par le preprint.

Le même travail, une seconde entrée

Cette entrée correspond au même preprint que la section précédente, avec le même titre, les mêmes chiffres et la même ablation. Elle existait en double dans la série d'articles courts et n'apporte aucun contenu distinct. Voir Quand l'encodage des variables compte plus que la séquence pour le traitement complet.

UPR : un profil lisible ne change pas forcément le classement

User Profile Recommendation synthétise l'historique de critiques d'une personne en un profil textuel. L'utilisateur peut l'inspecter et le modifier, ce qui contraste avec un vecteur latent difficile à questionner. Le preprint reproduit ce protocole avec des modèles à poids ouverts et l'étend par des ablations, cinq graines et une analyse mécanistique.

Le résultat central est reproduit : les profils textuels restent compétitifs dans le protocole de reranking sur Amazon Movies & TV et TripAdvisor. Mais les perturbations du profil déplacent les notes de manière uniforme entre genres et laissent les classements inchangés, y compris sous steering des activations. Les auteurs attribuent ce comportement à l'objectif de régression des notes ; des modèles entraînés avec un objectif de classement dépassent clairement ce réglage dans la tâche étudiée. Le protocole comprend des essais de stabilité sur les graines 37 à 41 et un pipeline reproductible verrouillé avec uv.

La transparence du profil et l'efficacité du classement sont deux propriétés distinctes. Un système peut laisser corriger une préférence apparente sans que cette correction change la liste proposée. Il faut donc mesurer l'effet sur les rangs, pas seulement sur une note prédite ou sur la lisibilité du texte. Cette lecture est éditoriale.

L'étude se limite à deux jeux de données et à des profils produits avec Llama2-7B ou Mistral-7B selon les expériences. Les tests de steering montrent la faiblesse du réglage de régression, sans prouver qu'un objectif de classement résoudra à lui seul la personnalisation. La scrutabilité dépend aussi de la fidélité du profil généré.

SARA : transformer les raisons exprimées en signaux traçables

SARA cherche à exploiter les raisons qu'un utilisateur donne à son appréciation d'un direct. Un clic ou une durée de visionnage indique un comportement ; une réponse libre précise ce qui plaît ou déplaît. Le système collecte d'abord une polarité positive ou négative, puis une explication ouverte. Le déclenchement intervient après dix secondes dans la configuration retenue, et l'exposition au questionnaire reste partielle.

Ces choix de collecte façonnent le signal obtenu. Une question trop tardive manque les utilisateurs qui ont quitté le direct, une question trop précoce recueille une impression encore peu formée. Le dispositif comporte aussi une récompense conditionnée par un juge de qualité. Le corpus résulte donc d'un processus d'exposition, de participation et de sélection, et la lecture éditoriale invite à conserver ces conditions avec les données plutôt qu'à traiter le corpus comme une photographie neutre de tous les utilisateurs.

Le corpus de qualité ne couvre qu'une partie des créateurs. SARA-7B est adapté par apprentissage supervisé et optimisation de préférences pour générer des raisons à plus grande échelle ; le système de classement les consomme sous forme de représentations ou d'identifiants sémantiques. Une raison générée pour un créateur ne doit pas être attribuée à un utilisateur comme s'il l'avait exprimée.

Le protocole d'évaluation compare plusieurs évaluateurs à des annotations expertes sur un test séparé par créateur, selon la cohérence, la pertinence, la précision du propos, la sécurité, la polarité et le soutien par le contexte. L'erreur absolue moyenne du jugement global passe de 0,35 pour le juge en ligne à 0,20 pour le dispositif à spécialistes et revue finale ; la référence d'accord entre experts vaut 0,12. Les gains rapportés viennent d'un système industriel Kuaishou, sur une fraction du trafic, avec des interfaces et une langue propres à cet environnement. La lecture des annexes a été partielle.

ReliGRec : un score de risque proxy ne prouve pas la fraude

ReliGRec étudie la recommandation générative avec un score de risque appris à partir de signaux faibles. La définition officielle précise que les étiquettes caractérisent un écart proxy dans les interactions et ne désignent pas des identités malveillantes vérifiées. Bien prédire ces étiquettes n'est donc pas détecter une fraude : le score est une variable interne à un protocole, dont le sens dépend de la construction des labels.

Le système combine une représentation des préférences séquentielles et une représentation collaborative temporelle, avec des identifiants sémantiques d'éléments pour la génération. Le score obtenu choisit entre un prompt simple et un prompt prudent avant la génération. Comme la chaîne compte plusieurs composants, améliorer le système complet n'attribue pas le gain au routeur.

Sur Beauty, les auteurs rapportent des résultats favorables dans la comparaison de systèmes complets. Sur Yelp, ReliGRec est proche de la meilleure référence et ne domine pas toutes les métriques. Le papier souligne lui-même que modèles, tokeniseurs et autres composants peuvent contribuer aux écarts.

Le contrôle de routage est la partie la plus instructive. À checkpoint et utilisateurs identiques, la section officielle compare les prompts toujours simples, toujours prudents, un routage aléatoire de même proportion et le routage guidé par le risque. Le NDCG@10 rapporté vaut 0,0370 pour le routage guidé contre 0,0379 pour le prompt toujours simple, et le résultat guidé se situe dans l'intervalle à 95 % du routage aléatoire de même proportion. Ces observations ne démontrent pas un avantage du score pour orienter les prompts. La route prudente reçoit 66,9 % des requêtes dans ce test : le score n'est pas calibré et l'apprentissage pondère la classe positive, donc cette fraction ne mesure pas une prévalence de personnes à risque. La lecture a été ciblée, complétée par les sections officielles de définition et d'analyse, sans reproduction.

PCap : diversifier la récupération selon chaque utilisateur

Une recommandation peut être pertinente tout en répétant les mêmes catégories. Corriger cette concentration au seul ranking arrive parfois trop tard, puisque le pool de candidats transmis au ranker est déjà biaisé. Le preprint PCap: Personalized Retrieval-Stage Diversity Capping in Facebook Marketplace déplace l'intervention à l'étape de récupération. PCap estime une préférence de diversité par utilisateur à partir de l'entropie de ses clics récents, répartit les utilisateurs en six buckets, puis applique des plafonds par catégorie aux candidats issus de plusieurs sources et shards, avec des multiplicateurs différents selon le bucket.

Les produits sont groupés selon la Facebook Product Taxonomy. Un mécanisme d'over-fetch préserve le rappel. Le réglage passe par Parameter Tuning Sequence, une série d'expérimentations en ligne qui resserre progressivement l'enveloppe de paramètres. Le réglage observé est edge-heavy : plafonds plus souples pour les utilisateurs peu diversifiés, plus stricts pour les très diversifiés, buckets intermédiaires proches d'un multiplicateur neutre.

La première phase compare un plafonnement uniforme à l'absence de plafonnement : les vues de produits augmentent significativement de 0,3088 %, mais les clics de fiche, les conversations et les sessions ne progressent pas de façon significative. Dans la seconde phase, PCap comparé au plafonnement uniforme augmente significativement les vues de 0,2243 %, les clics de fiche de 0,2250 % et les sessions de 0,1708 % ; les interactions de messagerie progressent de 0,1109 % sans significativité rapportée, pour 0,8 ms de latence supplémentaire. La diversité de la page 2 et des suivantes baisse pour les buckets les moins diversifiés et augmente de 0,2469 % pour le bucket le plus diversifié.

La lecture éditoriale insiste sur la séparation entre exposition et engagement, et sur le besoin de vérifier qu'un plafond ne supprime pas un item rare mais pertinent. Les effets restent petits en pourcentage, dépendent d'une taxonomie propriétaire, et le cold start comme les catégories mal classées restent ouverts.

ANGLE : recherche publicitaire simplifiée, classement conservé

ANGLE rapproche plusieurs objectifs dans la récupération d'annonces sponsorisées. Son modèle génère des représentations textuelles qui servent à retrouver des annonces dans un index, puis envoie les candidats au classement. Le titre peut suggérer la suppression de toute la cascade, mais les limites du papier disent explicitement que le classement reste nécessaire, notamment pour les composants liés aux enchères et à la sélection des créations. Le changement porte sur le chemin de récupération.

Chaque annonce est reliée à une intention générale et à un résumé plus précis : l'intention représente une catégorie de besoin, le résumé reprend des termes liés au titre de l'annonce, et un index inversé associe ces paires aux annonces. La section officielle décrit l'actualisation de cet index pour de nouvelles annonces sans réentraîner le modèle sur chaque nouvelle association, ce qui reste distinct du travail de génération et de validation des représentations.

Le décodage consulte la validité des annonces associées aux branches explorées. Les résumés sans annonce valide sont retirés des candidats, une intention sans branche valide est écartée, et comme l'ensemble admissible dépend de l'utilisateur, l'arbre utile est dynamique. Pertinence sémantique et éligibilité opérationnelle sont deux filtres différents.

Le preprint décrit un test A/B de cinq jours portant sur 20 % du trafic, plus des évaluations hors ligne. Une anomalie demande relecture avant toute reprise : le paragraphe de résultats en ligne cite 1,18 % pour la consommation, tandis que la table officielle présente 1,81 % pour WTS, avec d'autres valeurs pour QBS. Cette divergence est conservée telle quelle, sans arbitrage. Mesurer séparément couverture de l'index, validité des candidats, pertinence et qualité du classement final est une lecture d'architecture, pas un tutoriel d'intégration.

MERIT-Rank : sens, intention et preuves avant de reclasser

Une page peut reprendre les mots d'une question sans y répondre, une autre satisfaire l'intention générale sans fournir le fait recherché. MERIT-Rank organise ces distinctions dans un système de reclassement : une première recherche fournit des candidats, puis le modèle examine leur pertinence sous l'angle de l'alignement sémantique, de la satisfaction de l'intention et de l'appui sur des passages explicites. Chaque perspective produit un raisonnement et un classement, et une étape de synthèse rassemble ces contributions. Il ne s'agit pas de trois experts indépendants : les trajectoires proviennent du même modèle, et leur diversité est une hypothèse de complémentarité.

La méthode comprend un apprentissage. Les données de supervision contiennent des trajectoires produites avec DeepSeek-R1 et un résultat synthétisé ; le modèle apprend d'abord ce format par ajustement supervisé, avant une optimisation progressive de la politique de classement. Les auteurs décrivent une difficulté : avec de longs raisonnements, le modèle peut sauter les analyses intermédiaires et produire directement un ordre.

Le protocole couvre BRIGHT, orienté raisonnement, TREC et sept ensembles BEIR, avec le NDCG@10 comme métrique annoncée. Sur BRIGHT, l'ablation du modèle 7B donne 37,13 pour le système complet, contre 35,29 sans synthèse et 32,18 sans l'ensemble des raisonnements. Ces valeurs sont des comparaisons internes au protocole. Supprimer la synthèse pénalise le résultat, ce qui soutient l'utilité de l'agrégation dans cet entraînement sans démontrer que multiplier les raisonnements améliore tout moteur.

Sur BRIGHT, des requêtes enrichies servent à la recherche initiale et ne sont pas données au reranker, distinction qui compte pour attribuer les gains. Les résultats ne garantissent pas la factualité des réponses d'un système de génération augmentée, question traitée plus largement dans le dossier sur le RAG et la recherche d'information. L'extraction locale était tronquée et la lecture des annexes reste partielle.

Ce qui se recoupe

Le fil le plus net traverse ces huit lectures sans qu'aucune ne le formule seule : le contrôle choisi décide de la conclusion, plus que le mécanisme proposé. UniRec le montre par l'ablation leave-one-out sur le leaderboard, qui renvoie les raffinements séquentiels dans une bande de bruit de plus ou moins 0,0004 alors que la chaîne complète paraissait progresser. ReliGRec le montre par un routage aléatoire de même proportion, qui absorbe le routage guidé par le risque. UPR le montre par une perturbation de profil qui déplace les notes sans toucher les rangs. MERIT-Rank le montre en retirant la synthèse plutôt que les perspectives. Dans chaque cas, le contrôle est moins coûteux que le mécanisme et plus informatif.

Deuxième recoupement : plusieurs papiers séparent explicitement deux grandeurs qu'un tableau de bord confondrait. PCap sépare exposition et engagement, et observe que des vues significativement plus nombreuses ne s'accompagnent pas forcément de clics, de conversations ou de sessions en hausse. UPR sépare lisibilité du profil et effet sur le classement. ANGLE sépare pertinence sémantique et éligibilité opérationnelle d'une annonce. SARA sépare raison exprimée et raison générée, et ReliGRec sépare score proxy et prévalence réelle. La même erreur reviendrait à lire un indicateur intermédiaire comme preuve de l'objectif final.

Troisième point, cette fois une tension. UniRec conclut que la représentation dense porte l'essentiel du signal mesurable, et que la sophistication séquentielle n'est pas distinguable du bruit dans son protocole. SARA, ReliGRec et UPR investissent au contraire dans des signaux plus riches que le clic : raisons textuelles, représentations temporelles, profils en langue naturelle. Rien ne tranche entre ces positions à partir des sources fournies, parce que les terrains diffèrent, que les métriques diffèrent et qu'aucun de ces travaux ne reproduit le protocole des autres. On ne sait pas, à ce stade, si l'enrichissement sémantique survivrait à l'ablation stricte qu'UniRec applique à ses propres composants.

Quatrième constat : la provenance et la calibration des chiffres restent fragiles. La fraction de 66,9 % de routes prudentes de ReliGRec n'est pas une prévalence. La divergence entre 1,18 % et 1,81 % dans ANGLE n'est pas arbitrée. Les étapes d'UniRec sont en grande partie à graine unique. Les effets de PCap viennent d'A/B tests sur une population et une taxonomie propriétaires. Les gains de SARA viennent d'une fraction de trafic Kuaishou. Aucun de ces nombres ne se transporte vers un autre catalogue. La question de ce qu'une métrique mesure vraiment rejoint celle posée dans le dossier sur l'évaluation des LLM et l'incertitude, et les choix d'orchestration qui en découlent sont abordés dans le dossier sur l'architecture des agents et leurs outils.

Ce qui reste ouvert tient en une phrase : aucun de ces travaux ne propose de protocole partagé permettant de comparer entre eux un plafond de diversité, un profil scrutable, une raison générée et un encodage dense. Chacun dispose d'un contrôle solide chez lui et d'aucun point de contact avec les autres.

Sources

• arXiv:2609.19787v1 — Quand l'encodage des variables compte plus que la séquence (Dense Feature Representation over Sequence Modeling)
• arXiv:2609.19787v1 — même référence, seconde entrée en doublon dans la série absorbée
• arXiv:2609.19831v1 — UPR : un profil lisible ne change pas forcément le classement
• arXiv:2609.17639v1 — SARA : transformer les raisons exprimées en signaux traçables
• arXiv:2609.16560v1 — ReliGRec : un score de risque proxy ne prouve pas la fraude
• arXiv:2609.16452v1 — PCap : diversifier la récupération selon chaque utilisateur
• arXiv:2609.18296v1 — ANGLE : recherche publicitaire simplifiée, classement conservé
• arXiv:2609.20131v1 — MERIT-Rank : sens, intention et preuves avant de reclasser