RecPFN：基于先验拟合网络的上下文内推荐

RecPFN 是一种先验拟合网络，将上下文内学习引入序列推荐。它完全在合成点击流环境上预训练，利用广泛的结构因果先验，从小支持集中进行贝叶斯式推理。推理时，轻量解码器仅变压器处理少量域序列，单次前向传播即产生下一项预测，无需权重更新。在八个公共基准上，RecPFN 实现了最先进的零样本性能，在低计算和低数据情况下与监督方法竞争力强，且对域偏移稳健，优于依赖大型真实交互语料的零样本基线。代码已公开。

RecPFN 首次将先验拟合网络用于推荐，实现了真正的零样本推荐，无需真实交互数据或微调即可达到领先性能，挑战了依赖大规模真实语料的现有方法，可能降低推荐系统部署门槛。

RecPFN 通过合成点击流预训练，学习结构因果先验，使模型能够在上下文内进行贝叶斯推断。推理时，模型根据少量支持序列自适应调整预测，无需更新权重，实现快速泛化。

RecPFN 可显著降低推荐系统冷启动成本，因为它无需真实用户数据即可部署。轻量解码器架构和单次前向传播使其计算高效，适合资源受限的产品环境。对域偏移的稳健性使其在跨领域应用中表现可靠。

• 为新产品提供零样本推荐能力，无需历史数据即可上线，降低冷启动风险
• 在低计算设备（如边缘）部署 RecPFN，实现实时个性化推荐
• 利用其域迁移稳健性，快速将推荐模型迁移到新业务领域
• 基于其开源代码，开发定制先验以适配特定行业（如电商、媒体）

• RecPFN 在真实大规模高维特征集上的表现如何？
• 其零样本性能在高度稀疏或极端非平稳环境中的下降程度？
• 与基于真实数据的微调方法相比，其长期效果如何？