2026-06-22 日报

主题: 推荐基础算子的高效化与偏置分离

标签: parameter-scaling · quantization · academic

📊 统计: 共 3 篇 · 精读 0 · 🏢 工业界 0 · 🎓 学术 3 · discriminative-rec 2 · llm 1

综述

当日共收录3篇论文，判别式推荐2篇、LLM方向1篇，全部来自学术研究，暂无工业部署成果。

Mem-GF以Krylov子空间近似图滤波，无需保存完整物品相似图，最高节省5.74倍内存并加速4.38倍。秩一流行度分离方法揭示点积推荐分数中的物品边际先验，将流行度对齐能量降低98.6%。Fast-TurboQuant用符号翻转和快速Walsh-Hadamard变换实现无乘法量化，报告19.7倍加速并改善Recall@10。

整体趋势是推荐基础算子的轻量化与可解释化：图协同过滤关注内存扩展，打分理论剥离流行度偏置，向量量化面向硬件效率；后续值得观察这些方法在真实在线系统中的收益。

重点论文

Mem-GF · ⭐ 7/10

Memory Is No Longer a Bottleneck: Memory-Efficient Graph Filtering for Scalable Collaborative Filtering

🎓 学术 · 判别式推荐

Mem-GF 利用 Krylov 子空间近似多项式图滤波，避免显式保存完整物品相似图，并分析实现无损近似所需的最小子空间规模。实验报告最高降低 5.74 倍内存、加速 4.38 倍，同时保持或提升推荐精度。

A Rank-One Popularity Component in Dot-Product Recommender Scores:Population Theory and Prior-Separation Evidence · ⭐ 6/10

🎓 学术 · 判别式推荐

论文证明点积 softmax 推荐器的总体最优分数包含物品边际项，中心化后会形成上下文共享的秩一流行度分量，时变边际则形成低秩流行度子空间。将该先验从学习到的点积中分离，在匹配干预中将流行度对齐的分数能量降低了 98.6%。

Fast-TurboQuant · ⭐ 6/10

Fast-TurboQuant: A Multiplier-Free Online Vector Quantization Approach

🎓 学术 · LLM

Fast-TurboQuant 用 Rademacher 相位翻转和快速 Walsh-Hadamard 变换替代 TurboQuant 的稠密随机旋转，从而以加法完成量化前的分布调节并消除硬件乘法器。DBpedia 嵌入实验报告 19.7 倍顺序执行算法加速，同时因补零扩维降低均方误差并改善 Recall@10。

全部论文