并非一切都已失去：修复个性化编码器中有损的用户偏好状态

arXiv:2610.01270v1 公告类型：新增 摘要：个性化编码器将不断演化的交互历史压缩为偏好状态，用于对项目进行排序或作为文本生成的条件。仅基于该状态运行的任务头可能会遗漏有用证据，而这些证据仍保留在冻结编码器针对各个时间步缓存的表示中。我们研究了这种可恢复性差距，并提出 REPAIR：在紧凑的学习坐标空间中，将缓存表示与当前偏好状态进行比较。它能够从较长历史、近期交互和局部突发行为中解析出修正性证据。随后，它选择在各个时间步对状态产生贡献的模式，并在任务头之前，将这些模式的聚合修正添加到状态中。编码器端修复会复用现有前向计算中的表示，无需重新编码历史。在 MovieLens、PENS、MIND 和 Amazon Reviews 2023 上，仅训练 REPAIR 就能提升全部十二个代表性推荐宿主的 MRR 和 nDCG@10，同时保持编码器和任务头冻结不变。对相同宿主仅微调任务头所获得的增益更小。例如，在 MovieLens 上，Mamba4Rec 的 MRR 提升了 3.96 个百分点，而仅微调任务头的提升为 0.19 个百分点。排序和时间诊断结果支持存在一种紧凑且依赖宿主的修正结构。在个性化生成任务中，IMPerSumm 将所报告的两个加权 PerSEval 变体提升了最高 25.23%；这两个变体用于评估对用户偏好的响应能力。这些结果支持对压缩后的状态进行后置修正，并区分了偏好证据的可获得性与其下游使用情况。