11:27arXiv cs.LG@Maja Lindström, Natalija Glisovic, Jan von Pichowski, Tommy Löfstedt, Martin Rosvall精选本文提出了一种新的电商营销问题形式化——自动定向(auto-targeting),即联合选择用户和商品以构建多个互不重叠的营销活动。现有方法通常预设活动结构或解耦商品选择与用户分配,无法直接从交互模式中发现活动分组。作者提出了三种互补策略:约束谱双聚类、贪心局部搜索与多臂老虎机框架。在合成数据、Amazon评论基准和商业数据上的实验表明,双聚类方法在活动质量、提升度和公平性上表现最佳,但大规模数据下基于老虎机的方法更具扩展性。论文电商营销用户-商品分配双聚类多臂老虎机组合优化推荐理由:电商营销团队终于有了一个能自动发现用户-商品匹配分组的框架,比传统解耦方法更贴合实际业务。做推荐系统或营销策略的工程师可以直接参考其中的双聚类方法,提升活动效果。原文
11:39arXiv cs.LG@Thien Le, Melanie Weber精选本文研究了在组合优化任务中,如何将大型模型的知识蒸馏到更小、更高效的模型。作者假设目标模型是图神经网络,其架构与任务的动态规划算法对齐。基于决策树蒸馏的最新理论分析,论文证明了当源模型足够丰富(通过线性表示假设形式化)时,蒸馏问题可以在动态规划转移函数的复杂度参数内高效解决。该工作为算法对齐框架下的成功蒸馏提供了严格充分条件。论文蒸馏组合优化图神经网络算法对齐动态规划推荐理由:组合优化任务通常依赖大型模型,但部署成本高。本文给出了理论保证,让做图神经网络和算法对齐的开发者知道何时可以安全地蒸馏到小模型,值得关注。原文
19:12arXiv cs.AI@Haoyu Wang, Yuliang Song, Tao Li, Zhiwei Deng, Yaqing Wang, Deepak Ramachandran, Eldan Cohen, Dan Roth精选该研究提出CP-SynC-XL基准(100个组合问题,4577个实例),评估三种求解器构建范式:原生Python算法搜索、Python+OR-Tools约束建模、MiniZinc+OR-Tools声明式建模。结果显示,Python+OR-Tools正确率最高,而原生Python易产生格式正确但验证失败的方案。提示模型进行搜索优化仅带来1.03-1.12倍的中位加速,但许多实例反而变慢,且正确率在长尾问题上显著下降。代码审计发现,优化提示会导致模型用局部近似替代完整搜索、注入未验证的边界或添加冗余声明式机制,陷入“启发式陷阱”。研究建议:LLM应主要用于形式化变量、约束和目标,而搜索优化需单独验证。论文LLM组合优化求解器约束建模启发式陷阱推荐理由:做组合优化或约束求解的开发者,这篇论文用实验数据告诉你为什么别让LLM碰搜索优化——它可能让你的求解器变慢还出错。建议读读,避免踩坑。原文