← 返回 PaperDaily
前沿研究
阿里SIGIR 2026新作：DANet让CVR涨1.61%
电商推荐最怕“看懂了兴趣，看不懂价格”。这篇阿里新作干脆把折扣率拉进CVR建模，直接用时频变换、分布校正和辅助回归三板斧，去抓长期折扣趋势和促销偏差。离线在线都涨，还能落地到天猫APP，属于很务实的工业派。
龙哥读论文
发布于 2026-08-15 00:20:07
阅读 3
查看原文
🐉 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～
龙哥推荐理由：
原论文信息如下：
电商推荐里最容易被忽略的一个细节，往往不是“用户喜不喜欢”，而是“用户到底以什么价格买了”。同一件商品，平台标价可能一模一样，但最终成交时，折扣、满减、活动叠加、用户参与程度却能把真实购买价格拉出一条长长的分叉线。这个看似不起眼的变量，一旦被模型认真对待，转化率预测就不再只是盯着兴趣和行为，而是开始理解“便宜”这件事到底怎么影响下单。
这篇阿里巴巴团队在SIGIR 2026上提出的DANet，思路就很直接：别再把折扣当背景噪声了，把它当成CVR预测的核心信号
DANet的关键点在于，它不是简单地把“折扣率”塞进特征里完事，而是围绕折扣率搭起了一整套建模链路：先用时频变换抓住商品折扣的长期趋势，再用分布校正处理用户偏差和促销周期偏差，最后用监督回归把折扣标签显式教给模型。这个套路看起来朴素，实际上很工业：不花哨，但能落地。
便宜才是王道：从折扣率出发，革新电商转化率预测 电商CVR预测一直有三个老毛病：数据稀疏、样本选择偏差、延迟反馈。这个领域已经卷了很多年，大家都在想办法把用户兴趣、行为序列、上下文特征抠得更细。但这篇论文的切入点更“接地气”——价格不只是一个特征，折扣率更像是购买决策的催化剂
为什么不直接建模价格，而是建模折扣率（Discount Rate，DR）？论文给了一个很现实的理由：价格本身跨度太大了，从几块钱到上万元，类别差异、商家差异、品牌差异都很夸张，模型很容易学歪。相比之下，折扣率更像“价格变化的归一化表达”，更能反映平台促销、商家定价和用户感知之间的关系。简单说，价格是表面数字，折扣率才更像“这单到底香不香”。
论文还指出，折扣率不是单一因素决定的，而是三方博弈：卖家的长期定价策略、平台的促销活动、用户对折扣的敏感度。也就是说，同一商品在不同用户、不同活动、不同时间段里，最终成交折扣率会明显不同。这个观察很重要，因为它直接说明了一个事实：折扣率不是静态属性，而是一个带时间、带人群、带活动背景的动态信号
这张图其实已经把问题讲透了：同样的标价，不同的人买到手的“真实价格”不一样。推荐系统如果只看商品本身，不看折扣率，就像只看菜单不看账单，最后对用户到底会不会掏钱，判断自然会打折扣。
时频变换：捕捉商品折扣的长期“心跳” DANet第一刀，砍在折扣率的长期演化趋势
接下来是这篇论文最“像工程”的地方：它没有直接拿原始序列硬喂模型，而是先做了快速傅里叶变换
从工程角度看，这个模块也不算太重。论文给出的复杂度是O(N log N)，内存是O(N)，对于工业推荐系统来说是可以接受的。说白了，这不是那种“理论很美、线上一跑就炸”的设计，至少在计算量上没有故意给系统添堵。
分布校正：应对用户与促销周期的个性化偏差 只看长期趋势还不够，因为折扣率还有两个很烦人的偏差来源：用户偏差 促销周期偏差
论文把这一块拆成两个校正网络：DCM-User和DCM-Context。先看DCM-User，它主要利用用户购买行为中的侧信息，把折扣、类目、价格等属性拆开做Attribute-Attention，重点关注用户历史购买过的相似商品在折扣上的偏好。
再看DCM-Context，它处理的是促销周期偏差。不同活动阶段的折扣上限、优惠结构、商品参与方式都不同，因此模型不能用同一把尺子量所有时期。论文用GateNet把时间上下文特征映射成一个偏置嵌入，再和用户折扣偏好做逐元素融合，得到最终的分布校正表示。
这一块的逻辑其实很清楚：用户差异决定“谁更吃折扣”，促销周期决定“折扣能开到多大”。DANet不是只学一个平均折扣偏好，而是把这两层偏差都显式建模了，这也是它比单纯价格感知模型更细的一点。
监督回归：让模型学会“读懂”折扣标签 前面两块是在“提炼折扣特征”，最后这块是在“逼模型真学会折扣”。论文设计了一个监督回归辅助任务，给DPN单独加上显式折扣标签yd，让模型不只是为了CVR服务，也要把折扣表示学得像样。
这部分最值得注意的不是“又加了一个辅助任务”，而是它和前面的时频模块、分布校正模块是连起来的：TFTM负责提趋势，DCM负责去偏差，辅助回归负责把折扣标签钉死。三者合起来，DANet才不是一个“堆特征”的普通模型，而是一个围绕折扣率建立的完整建模链条。
实测大胜：离线AUC涨1.6%，在线GMV增2.2% 实验部分最有说服力的地方，在于它不是只在离线数据上“自嗨”，而是同时给了线上A/B测试结果。工业推荐里，离线AUC涨一点不稀奇，能不能线上真涨GMV，才是硬通货。
表2给出的结果很亮眼：IPN-Base已经和DIN基本持平，说明基础兴趣建模是站得住的；加入DCM-User和DCM-Context后，AUC有小幅提升；加入TFTM后提升最明显；再叠加辅助任务，最终DANet离线AUC达到0.8479，相比基线提升1.61%。线上A/B测试里，pCVR提升3.63%，GMV提升2.23%。
消融实验也挺有意思。四个模块里，TFTM贡献最大，其次是DCM-User，再是DCM-Context，最后是辅助任务。这个排序很符合直觉：先把折扣的长期走势学明白，模型就已经不会太离谱；再校正用户和活动偏差，效果继续往上抬；辅助任务更多是锦上添花，帮助折扣表示更稳定。
这张图基本验证了TFTM的设计合理性：如果低频和高频都能被清楚拆开，那说明模型确实在做“分解”而不是“瞎揉”。对工业场景来说，这种可解释性很重要，因为推荐系统线上出问题时，至少能知道到底是趋势错了，还是促销波动没抓住。
龙迷三问 这篇论文到底解决了什么问题？
FFT、IFFT这些词到底是什么意思？
为什么辅助回归任务有用？
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： ★★★★☆
把折扣率系统性引入CVR建模，这个切口不算玄，但很准。时频分解、分布校正、辅助回归三件套组合得比较完整，属于工业问题里“找准变量、做实建模”的那类创新。实验合理度： ★★★★☆
离线、线上都做了，而且有消融和案例分析，实验链条比较完整。唯一的天然限制是数据来自平台内部日志，外部复现和横向验证会受影响。学术研究价值： ★★★★☆
它把“折扣率”从业务细节抬到了建模变量层面，对电商推荐、价格敏感推荐、促销建模都有启发。研究价值不在于炫技，而在于把一个常被忽略的真实因素讲清楚了。稳定性： ★★★☆☆
从线上结果看是可用的，但它依赖折扣率、促销上下文和平台活动数据，场景迁移时可能需要重新校准。对没有完整成交价数据的场景，适配门槛不低。适应性以及泛化能力： ★★★☆☆
方法思路可迁移，但前提是业务里能拿到真实支付价格或等价折扣信息。离开电商促销场景后，折扣率这个变量未必同样好用。硬件需求及成本： ★★★☆☆
训练用了分布式TensorFlow和V100，说明不是轻量小模型；不过FFT本身开销可控，线上响应时间增加不到5%，工业可接受度还不错。复现难度： ★★★☆☆
代码已开源是加分项，但完整数据不可公开，且实现依赖工业日志和特定特征体系，想原样复现不轻松。产品化成熟度： ★★★★☆
已经成功部署到天猫APP，说明不是实验室玩具。真正可推广的前提是业务侧能稳定拿到折扣和促销上下文，并且有足够成熟的特征工程管道。可能的问题： 方法高度依赖成交价和促销上下文，跨平台迁移成本不低；折扣率之外的其他价格心理因素也没被完全覆盖。
主要参考文献
Ruocong Tang, Yang Huang, Xing Fang, Chenyi Yan, Chuike Sun, Jing Wang. Cheaper is Better: A Discount-Aware Network for Conversion Rate Prediction in E-commerce Recommendation System. SIGIR 2026. 原文链接：https://arxiv.org/pdf/2607.12578v1.pdf 开源代码：https://github.com/tangrc/DANet *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
