跳到主要内容

# LLM重排序

2 篇关联报道

Engineering at Meta 2026年11月11日
Facebook 推荐不再只靠点击猜：Your algorithm 让人用一句话改写 Feed 与 Reels
Meta 推出 Your algorithm，让 Facebook 用户用自然语言直接说明想看和不想看的内容，并让这些偏好同时作用于 Feed 与 Reels。此前推荐系统主要依赖隐式互动信号，扩展性好但适应慢、细节少。该系统用一组大语言模型完成兴趣推断、偏好校验和最终重排，并通过补充拉取与缓存失效让改动更快生效；Meta 同时指出，对模糊输入的理解和更精确的响应仍是待解问题。
Meta 推出 Your algorithm，让 Facebook 用户用自然语言直接说明想看和不想看的内容，并让这些偏好同时作用于 Feed 与 Reels。此前推荐系统主要依赖隐式互动信号，扩展性好但适应慢、细节少。该系统用一组大语言模型完成兴趣推断、偏好校验和最终重排，并通过补充拉取与缓存失效让改动更快生效；Meta 同时指出，对模糊输入的理解和更精确的响应仍是待解问题。
Your algorithm推荐系统 LLM重排序基于偏好声明的推荐
arXiv 2026年6月1日
长上下文LLM整池集合式重排：DualEnd用50次比较完成100个候选的完整排序，比较次数比窗口式堆排序基线少59.4%
该工作提出整池集合式重排（Whole-Pool Setwise），让每次比较对整个候选池排序，并提出DualEnd同时选出预测最相关与最不相关的候选、从两端填充排名，从而在100个候选上仅用50次LLM比较即构建完整排序；在TREC DL19与DL20上使用九个开放权重LLM，比较次数比面向顶部的窗口式Setwise堆排序少59.4%、比冒泡排序少88.8%，nDCG@100与单端整池顶部导向方法相差在0.008以内，同时token消耗与排序时间约减半；在六个BEIR数据集上，相对单端整池顶部导向方法，平均token消耗与排序时间分别降低49.4%与50.8%。
该工作提出整池集合式重排（Whole-Pool Setwise），让每次比较对整个候选池排序，并提出DualEnd同时选出预测最相关与最不相关的候选、从两端填充排名，从而在100个候选上仅用50次LLM比较即构建完整排序；在TREC DL19与DL20上使用九个开放权重LLM，比较次数比面向顶部的窗口式Setwise堆排序少59.4%、比冒泡排序少88.8%，nDCG@100与单端整池顶部导向方法相差在0.008以内，同时token消耗与排序时间约减半；在六个BEIR数据集上，相对单端整池顶部导向方法，平均token消耗与排序时间分别降低49.4%与50.8%。
The University of Queensland
Hang Li（第一作者）
全池集合式重排序 DualEnd LLM重排序

已读完全部报道