SIGIR 2026新作：买完还推？阿里这招让重复率降60%

电商推荐最尴尬的事，不是“猜错你想买什么”，而是“你都买了，它还追着推”。这篇 SIGIR 2026 论文就是来治这个毛病的：把购买当成兴趣退出信号，用双路径注意力和动态门控学会该忘就忘。

龙哥读论文发布于 2026-08-14 09:11:08 阅读 4 查看原文

#预测模型 #AI应用

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
电商推荐最尴尬的事，不是“猜错你想买什么”，而是“你都买了，它还追着推”。这篇 SIGIR 2026 论文就是来治这个毛病的：把购买当成兴趣退出信号，用双路径注意力和动态门控学会该忘就忘。

原论文信息如下：

论文标题:
Learning to Forget: Satiation-Aware Long-Sequence Transducers for Mitigating Post-Purchase Redundancy

发表日期:
2026年07月发表单位:
Alibaba Group 原文链接:
https://arxiv.org/pdf/2607.12714v1.pdf

揭秘购物后的“兴趣退出”：告别买完还推的烦恼，单次购买=兴趣终结？

电商推荐里最容易被忽略的一件事，不是“这次猜没猜中”，而是“用户都买完了，系统还在继续推同一类东西”。这就像外卖刚吃饱，平台还在给人端上来一碗同口味的大份加餐，逻辑上就很离谱。这篇 SIGIR 2026 论文盯上的，正是这个看似不起眼、但在工业推荐里很要命的问题：购买后推荐冗余。

论文给出的核心判断很直接：在电商场景里，一次购买不一定代表兴趣增强，反而可能代表兴趣退出。比如买了冰箱，短期内大概率不想再买冰箱；买了纸巾，过一段时间又会回来。这种“买完就该冷静一下”的行为，传统序列推荐模型往往没学会。它们习惯把点击、购买都当成正向信号一路往后堆，结果就是把已经满足的兴趣继续抬高，最后在推荐位上反复“复读”。

这篇工作把这个问题起了个挺形象的名字：Action-Intent Asymmetry，中文可以理解为“动作和意图不对称”。意思是，用户做了一个购买动作，并不等于这个意图还要继续延伸；很多时候，购买恰恰是这个意图的终点。论文进一步把这个终点状态称为 Interest Exit，也就是“兴趣退出”。

如果把用户兴趣比成一条河，传统推荐模型更像只会往河里加水；而这篇论文的观点是，河水有时候是会自然流走的，甚至需要“排水阀”。这就是它最有意思的地方：推荐系统不只要学会记住，还要学会忘记。🤨

图1：Satiation-Aware Mechanism（SAM，饱足感感知机制）的整体架构。它不是简单地删历史，而是先判断哪些历史该压下去，哪些周期该重新唤醒。

破解购买后推荐冗余的困局

先把概念说人话。所谓购买后推荐冗余，就是用户刚买过某类商品，系统还在高频推荐同类商品，甚至连“刚买过”的那一件都继续推。对平台来说，这不是小毛病，而是会直接浪费黄金推荐位；对用户来说，这属于“你都买了还推给我”的经典尴尬；对业务来说，则可能压低信任感，甚至影响后续点击和转化。

过去常见的处理方式，很多都偏“后处理”：比如用固定时间窗过滤、用多样性重排、或者根据经验规则把最近买过的品类压一压。问题在于，这类方法往往是模型外补丁，不是模型内学习。它们能减少一部分重复曝光，但很难区分“永远不该推”与“过几天还要推”；更难理解不同用户、不同商品的生命周期差异。

论文的出发点就是：别再把“购买”粗暴地当成持续偏好，得把它看成一个生命周期节点。这个节点的前面是浏览、加购、犹豫，后面是满足、冷却、再补货。不同商品的冷却时间差别极大，耐用品可能几百天都不用再出现，消耗品却可能几十天就该重新露头。系统如果还用一把尺子量天下，结果通常不会太好看。

这也是 SAM 的价值所在：它不是简单“拉黑”历史，而是尝试学习一个更细的过程——什么时候该压制、压制多久、什么时候该重新唤醒。这件事听起来像人类常识，但真要放进工业推荐系统里，难度一点不低。

双路径架构：一边“定位”一边“预测”

SAM 的核心设计可以概括成一句话：先找出“该忘的是什么”，再估计“多久后该想起来”。前半句解决兴趣退出，后半句解决复购回归。它把这两件事拆成两条路来学，避免模型一上来就把所有历史混成一锅粥。

第一条路是意图定位（Intent Localization）。这里的思路很巧：购买行为会作为一个“探针”，反向去找它前面那一串相关点击。因为用户真正满足的，往往不是孤零零的一个商品，而是一整个意图簇，比如“买厨房纸”“换洗护套装”“给孩子补文具”。模型不是只盯着最后那个买下来的东西，而是回头把同一意图链条上的历史点击一起识别出来，然后统一压制。

论文这里用了一个很关键的技术细节：不是用普通的 softmax 去做长序列权重，而是用逐点相似度门控。原因很现实：长序列一旦很长，softmax 容易把注意力摊薄，最后谁都不够“像”。而逐点门控更像是直接问一句——“你和这次购买是不是同一类意图？”如果是，就给高压制；如果不是，就别乱扣帽子。

第二条路是节奏预测（Rhythm Retrieval）。这条路不看“该压谁”，而看“多久后会再来”。它从长期购买历史里检索用户的补货节奏，学出一个周期信号。这个信号不是拍脑袋的固定窗口，而是由历史购买间隔直接学出来的个性化节律。有人买纸巾是 15 天一轮，有人是 30 天一轮，还有人囤货党一买就是三个月不用管，模型都得分得清。

这两条路最后会汇到一个叫 Adaptive Satiation Gating Unit 的模块里。这里先解释缩写：ASGU 是 Adaptive Satiation Gating Unit，中文可译为自适应饱足门控单元。它负责把“该忘”和“该记起”变成一个随时间变化的软掩码，而不是一刀切。

图1：SAM 的整体框架。双路径交叉注意力负责定位被满足的意图簇和提取复购节奏，ASGU 负责把时间因素转换成动态门控，再通过饱足感感知注意力影响最终打分。

自动学习产品生命周期，无需人工标签

SAM 真正有意思的地方，不只是“压制重复”，而是它想学出一个随时间变化的饱足曲线。论文里把这个过程讲得很像人类消费习惯：刚买完的时候，相关兴趣处于高饱足状态，系统应该尽量少推；等时间慢慢过去，兴趣会进入恢复期；再往后，接近预测的复购周期时，系统要提前把相关兴趣轻轻唤醒，避免错过补货需求。

这里有一个很关键的术语：TTNP，全称是 Time-to-Next-Purchase，中文是距离下一次购买时间。它是一个自监督辅助任务，用来让模型学习“下一次同类购买大概多久会来”。这一步很重要，因为如果没有这个监督信号，模型只会知道“别推了”，却不知道“什么时候该重新推”。

论文在实现上用了一个比较务实的做法：把购买序列单独抽出来，利用相邻两次同类购买之间的时间间隔作为监督目标；对于只有一次购买、没有后续复购的样本，则用类别级的全局平均复购周期做补全。这个处理很像工业界的典型风格：不等完美标签，先把能学到的规律吃干榨净。

ASGU 的门控也不是简单的“开/关”二值逻辑，而是一个时间敏感的软掩码。论文里提到一个 lead-in offset（中文可理解为“提前唤醒偏移”），意思是模型不会等到补货周期完全到点才恢复注意力，而是会提前一点把相关兴趣放出来。这一点很实用，因为真实用户行为往往不是卡着整点发生的，提前一点更符合推荐系统“宁可早一点，别晚太多”的节奏。

图1 再看一遍也不亏：SAM 的结构并不是“更大更深”，而是把“忘记”和“恢复”拆成两个可学习过程，再用动态门控合并。

实验数据大公开：效果显著，值得一试！

先说实验设置，这部分其实挺关键。论文使用的是阿里系电商平台的工业日志，时间跨度覆盖数月，按时间切分训练集和测试集，避免数据泄漏；只保留活跃用户，并把行为序列截断到 500 长度。这个做法比较符合真实工业场景，因为推荐系统最怕“离线看起来很美，线上一跑就露馅”。

图2：工业日志数据统计表。可以看到训练集和测试集都是真实大规模日志，用户、商品、行为和购买量都不小，说明这不是玩具实验，而是偏工业级验证。

评价指标也很有针对性。除了常规的 AUC 和 GAUC，论文还专门引入了 PPRR（Post-Purchase Repeat Rate，购买后重复推荐率），中文可理解为“购买后同类重复曝光比例”。这个指标非常对题，因为它直接衡量系统有没有在用户刚买完之后继续推同类商品。还有一个线上业务指标叫 Bad-Case Ratio，统计用户明确吐槽“已经买过了”这类负反馈的比例，挺接地气。

图3：离线与在线对比结果表。它同时展示了精度指标和冗余控制指标，能看出 SAM 不是只会“压重复”，而是在准确率不掉队的前提下把重复问题压下去了。

结果上，最值得盯住的不是 AUC 多了零点几，而是PPRR 大幅下降。论文给出的结论是，SAM 在离线指标上能够和最强基线持平或略优，同时把购买后重复推荐显著压低，在线 A/B 里 CTR 和 GMV 也都有正向提升。换句话说，它不是“为了不重复而把推荐搞废了”，而是把重复压下去之后，反而让真正值得推荐的内容更容易被看见。

这点很重要。很多“去重”方法一上来就猛删历史，结果把本该回来的复购需求也一起误伤了。SAM 的不同之处在于，它不是硬掐，而是根据时间和周期动态恢复兴趣。所以它能同时兼顾“不要老推刚买过的”和“也别把该回来的复购需求杀死”。

图4：SAM 变体消融实验结果表。消融结果说明，双路径节奏检索对抑制重复最关键，TTNP 辅助任务帮助模型学到更稳的周期，ASGU 则负责把“该忘”和“该记起”变成可控的时间门控。

消融实验也挺能说明问题。去掉节奏检索后，重复推荐明显变多，说明“什么时候该停”主要靠购买节奏来判断；去掉 TTNP 后，模型对不同品类的周期理解变差，耐用品和消耗品容易混；把 ASGU 换成硬掩码，冗余虽然还在压，但准确率会受影响，因为模型失去了“提前唤醒”的弹性。这个结果很诚实，也很符合直觉：真正有效的不是一刀切，而是带节奏的忘记。👍

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决什么问题？它解决的是“用户刚买完，系统还在继续推同类商品”的购买后冗余问题。核心不是提升一般点击率，而是让推荐系统学会识别兴趣退出，并在合适时间重新唤醒复购需求。

TTNP 和 ASGU 分别是什么意思？TTNP 是 Time-to-Next-Purchase，中文是“距离下一次购买时间”，用来监督模型学习复购周期；ASGU 是 Adaptive Satiation Gating Unit，中文是“自适应饱足门控单元”，负责根据时间动态控制历史兴趣的压制和恢复。

为什么不能直接用固定时间窗过滤？因为不同商品和不同用户的复购周期差别太大。固定时间窗只能粗暴地“统一拉黑”，会误伤该回来的复购需求；SAM 试图学习个性化周期，所以能更平衡地处理“减少重复”和“保留复购”这两个目标。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

这篇论文的新意不在于又堆了一个更大的序列模型，而在于把“购买=继续喜欢”这个默认假设掰正了。把兴趣退出显式建模，这个角度挺实在。

实验合理度：★★★★☆

离线+在线一起做，而且指标里专门放了 PPRR 和 Bad-Case Ratio，说明作者确实知道问题痛点在哪。唯一要盯紧的是，工业日志和线上流量都很强，但跨平台复现时还得看场景是否同样存在明显复购周期。

学术研究价值：★★★★☆

这篇工作给推荐系统补上了一个长期被忽略的维度：意图终止。它不只是工程修补，更像是对用户行为建模假设的一次修正，研究味道是有的。

稳定性：★★★☆☆

思路本身比较稳，但它依赖购买周期和历史日志质量；如果业务里复购不明显、或者购买行为非常稀疏，效果可能会打折。属于“有条件好用”，不是拿来就能全场景通吃。

适应性以及泛化能力：★★★☆☆

对有明确复购节奏的电商类场景很友好，但对低频、一次性、强探索型商品，周期学习会更难。泛化不是没有，但前提是业务里确实存在“买完会回来”的规律。

硬件需求及成本：★★★☆☆

双路径交叉注意力和辅助任务都会增加训练与推理复杂度，但还没到离谱程度。对工业系统来说，更多是“多花一点算力换少一点冗余”，能不能接受取决于业务收益。

复现难度：★★☆☆☆

论文依赖真实工业日志，公开复现门槛不低；不过方法描述相对完整，核心模块也清楚。难点主要不在代码，而在数据和线上环境。

产品化成熟度：★★★★☆

这是少数离产品很近的研究：问题真实、指标真实、A/B 也真实。只要业务确实有复购场景，这套思路就不是纸上谈兵，而是能直接进推荐链路讨论的方案。

可能的问题：模型默认复购规律可被历史稳定学到，但现实里促销、季节、库存、价格波动都会扰动周期；如果后续不加这些外部因素，周期预测可能会被业务噪声带偏。

主要参考文献

Yipin Dai, Ruocong Tang, Xing Fang, Yang Huang, Jing Wang, Zhentao Song, He Guo. Learning to Forget: Satiation-Aware Long-Sequence Transducers for Mitigating Post-Purchase Redundancy. SIGIR 2026.

Guorui Zhou et al. Deep Interest Network for Click-Through Rate Prediction. KDD 2018.

Guorui Zhou et al. Deep Interest Evolution Network for Click-Through Rate Prediction. AAAI 2019.

Alibaba PAI Team. TorchEasyRec: An Easy-to-Use Framework for Recommendation. 2024. https://github.com/alibaba/TorchEasyRec

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
买完还推？这类尴尬，群里正好聊得明白；想看更多能落地、能省钱、能少踩坑的论文，扫码来一起拆。
wechat_helper