立知模型效果展示：lychee-rerank-mm赋能新闻个性化推荐

立知模型效果展示：lychee-rerank-mm赋能新闻个性化推荐

不知道你有没有过这样的体验：打开一个新闻App，首页推荐给你的内容，要么是昨天看过的旧闻，要么是根本不感兴趣的领域。你划拉了半天，感觉信息流就像一潭死水，激不起一点阅读的欲望。用户流失，往往就是从这一刻开始的。

对于新闻阅读平台来说，这几乎是致命的痛点。传统的推荐系统，往往基于简单的标签匹配或协同过滤，它们能“猜”到你大概喜欢什么，但很难“懂”你此刻真正想看什么。尤其是当新闻内容本身图文并茂时，如何精准理解一张新闻图片背后的复杂语义，并将其与用户的深层兴趣关联起来，是提升推荐质量的关键。

今天，我们就通过一个真实的业务场景，来看看立知的多模态重排序模型lychee-rerank-mm是如何破局的。我们与一家中型新闻阅读平台合作，将 lychee-rerank-mm 集成到其推荐链路中，目标是实现真正的“千人千面”。结果如何？在为期一个月的A/B测试中，实验组的用户次日留存率提升了惊人的40%。下面，我就带你一起看看，这个“轻量级质检员”是如何让新闻推荐变得“活”起来的。

1. 为什么传统推荐在新闻场景下“失灵”了？

在深入展示效果前，我们得先搞清楚问题出在哪。新闻推荐不同于电商或短视频，它有自己独特的挑战：

• 时效性极强：一条热点新闻的生命周期可能只有几小时，推荐系统必须快速捕捉并响应用户兴趣的瞬时变化。
• 内容理解复杂：一条新闻往往是“标题+正文+配图”的复合体。尤其是配图，可能包含关键信息（如事故现场、产品外观、人物关系），仅靠文本分析会丢失大量语义。比如，一篇关于“新能源汽车设计趋势”的文章，配图展示了流线型车身和内饰大屏。传统文本模型可能只匹配到“汽车”、“新能源”关键词，却无法理解图片传递的“科技感”、“未来设计”这些视觉概念，导致无法推荐给关注汽车科技美学的用户。
• 用户兴趣多维且动态：一个用户可能同时关注“国际政治”、“科技数码”和“健身养生”，且在不同时间段权重不同。早晨可能想看严肃的财经新闻，睡前则想浏览轻松的娱乐资讯。静态的用户画像很难刻画这种动态偏好。

我们合作的平台原先的推荐流程大致是：先用一个召回模型从百万级新闻库中粗选出几百条候选新闻，然后基于用户历史点击的新闻标签（如“科技”、“体育”）进行简单的加权排序。这套方案的问题在于，它把一篇鲜活的、多模态的新闻，压缩成了几个干巴巴的标签，最终的推荐结果难免粗糙、雷同，缺乏惊喜感。

2. lychee-rerank-mm：为推荐系统装上“多模态眼睛”

lychee-rerank-mm 的登场，正是为了解决上述“理解偏差”。它不是一个从零开始检索的大模型，而是一个专注于“精加工”的轻量级重排序模型。你可以把它想象成推荐流水线上的“终极质检员”。

它的工作流程非常清晰：

1. 输入：一个“查询”（Query）和一批“候选”（Candidates）。在我们的场景里，“查询”就是融合了用户实时兴趣的向量表示（由用户画像、近期点击序列等构成），“候选”就是召回阶段粗选出来的几百条图文新闻。
2. 理解：模型会同时深入理解“查询”的语义和每一条“候选”新闻的完整内容——包括标题文本、正文关键句，以及最重要的，新闻配图的视觉信息。
3. 打分与排序：模型为每一个“查询-候选”对计算一个匹配分数，这个分数综合衡量了图文内容与用户兴趣的多维度契合度。最后，所有候选新闻按此分数重新排列。

它的核心价值在于“多模态统一理解”。它不再将文本和图像割裂处理，而是在一个统一的语义空间里，判断一篇图文并茂的新闻是否真正符合用户的兴趣点。这正是实现精准个性化推荐所需要的。

3. 效果展示：从“千人一面”到“千人千面”

理论说得再多，不如实际效果有说服力。我们来看几个在测试中发现的、令人印象深刻的案例。

3.1 案例一：捕捉视觉兴趣，推荐“意想不到”的好内容

用户画像：一位历史爱好者，经常阅读古代历史、考古发现类文章。

召回候选：其中包含一篇题为《三星堆最新考古发现：黄金面具修复完成》的新闻，配图是金光璀璨的黄金面具特写。

传统排序结果：这篇文章可能排在中间或靠后位置，因为文本关键词“三星堆”、“考古”、“黄金”与用户常看的“古代历史”标签匹配度尚可，但不算最强。

lychee-rerank-mm 排序结果：这篇文章被排到了非常靠前的位置。

效果分析： 为什么会有这个变化？我们分析，传统的文本模型只看到了“考古发现”。而 lychee-rerank-mm 通过分析配图，深刻理解了图片中“黄金面具”所代表的“珍贵文物”、“工艺精湛”、“神秘感”等视觉语义。这些视觉语义，与该用户历史上多次点击的、那些带有精美文物图片（如青铜器、瓷器）的历史文章，在模型的多模态语义空间中产生了强烈共鸣。模型“看”懂了用户不只是喜欢历史文字，更是对承载历史的视觉艺术品有浓厚兴趣。于是，这篇图文高度契合的新闻就被精准地提升了排名。用户反馈显示，对此类推荐的点击率和阅读完成率都非常高。

3.2 案例二：区分细微差异，避免推荐“伪相关”内容

用户画像：一位篮球迷，主要关注NBA赛事、球星动态。

召回候选：其中包含一篇题为《本市中学生篮球联赛决赛精彩落幕》的新闻，配图是比赛现场照片。

传统排序结果：这篇文章可能因为包含“篮球”、“联赛”、“决赛”等关键词，被误判为高度相关，排名靠前。

lychee-rerank-mm 排序结果：这篇文章排名被显著降低。

效果分析： 这是一个“排雷”的成功案例。传统文本匹配无法区分“NBA”和“中学生篮球联赛”的天壤之别。lychee-rerank-mm 则通过分析新闻配图：球场设施、球员年龄、服装装备、观众规模等视觉信息，能够清晰地判断出这属于“业余校园体育”范畴，而非用户感兴趣的“职业商业体育”。模型综合图文信息，判断其与用户核心兴趣点匹配度低，从而将其过滤到后面，为更相关的内容（如一篇分析某NBA球星季后赛数据的图文报道）让出了位置。这有效减少了用户的负面反馈（如点击后快速退出）。

3.3 案例三：动态响应兴趣漂移，提升推荐时效性

用户画像：一位平时关注科技和财经的用户。

实时行为：在当天上午，该用户连续点击阅读了多条关于“某地发生自然灾害”的突发新闻。

后续召回候选：在下午的推荐批次中，包含一些关于灾害救援进展、保险理赔攻略、灾后重建的新闻。

lychee-rerank-mm 排序结果：这些与灾害后续相关的新闻，即使不属于用户长期兴趣（科技、财经），也因为与用户实时行为序列所构成的短期“查询”高度相关，获得了较高的重排序分数，得以展现。

效果分析： 这展示了 lychee-rerank-mm 在动态兴趣捕捉上的能力。我们的“查询”并非静态用户画像，而是融合了近期行为的动态向量。当模型发现用户对“灾害”主题表现出强烈的短期关注时，它能即时调整排序策略，将与之相关的多模态内容（如展示救援装备的图片、理赔流程图解）优先推荐，满足了用户兴趣的即时性延伸。这让推荐系统显得更加“聪明”和“贴心”。

4. 数据说话：留存率提升40%背后的秘密

当然，个例的惊艳不能代表全局。我们来看A/B测试的整体数据对比。对照组（Control Group）使用原有的文本标签排序方案，实验组（Treatment Group）在原有流程后接入了 lychee-rerank-mm 进行重排序。

数据不会说谎。全方位的指标提升，尤其是40%的次日留存率提升，直接证明了多模态重排序带来的推荐质量飞跃。用户用更多的点击、更久的阅读和更频繁的回来，为“更懂我”的推荐系统投了票。

深入分析发现，提升主要来源于三个方面：

1. 惊喜度提升：模型能够挖掘出文本标签无法覆盖的深层图文关联，给用户推荐了“意料之外、情理之中”的内容，打破了信息茧房。
2. 准确度提升：有效过滤了图文不符或细分类目不匹配的“伪相关”新闻，减少了用户的无效点击和负面体验。
3. 时效性提升：对用户短期兴趣的响应速度更快，让推荐流始终“保鲜”，保持对用户的吸引力。

5. 总结

回顾这次实践，lychee-rerank-mm 给我们最深的印象不是它有多复杂，而是它用相对轻量的方式，精准地击中了新闻个性化推荐的要害。它不像一个笨重的全能引擎，更像一把锋利的“手术刀”，在推荐链路的最后一道关卡，通过多模态的深度理解，实现了排序结果的质变。

对于新闻平台而言，用户留存是生命线。当推荐系统能从“猜你喜欢”进化到“懂你所看”，甚至“知你想看”时，用户的粘性自然就建立起来了。这次40%的留存率提升，就是一个有力的证明。当然，这套方案也并非完美，例如对计算资源有一定要求，需要与现有的召回系统良好衔接。但它的投入产出比是显而易见的。

如果你也在为内容推荐的精准度而烦恼，尤其是你的内容库中包含了大量富有信息量的图片、视频等多模态元素，那么引入一个像 lychee-rerank-mm 这样的多模态重排序模型，很可能是一个值得尝试的突破方向。它或许就是你撬动用户增长和留存的那个关键支点。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。