Paper Digest · 推荐系统论文日报

每天自动从 arXiv 抓取最新的推荐系统相关论文，用大模型多维度打分、提取关键词、生成中文解读，挑出 Top N 渲染成 Markdown。

它能干啥

• 抓取：从 arXiv cs.IR 类目拉最近 N 天的新论文，按关键词（recommendation / ranking / retrieval / CTR / ...）粗筛
• 评估：用 DeepSeek 对每篇论文从 4 个维度打分（创新性 / 实用性 / 严谨性 / 相关性），并提取关键词、推断作者所属单位、写一段中文解读
• 排序：按加权分数排序，挑 Top N
• 渲染：输出到 output/YYYY-MM-DD.md

输出片段示例：

## 1. CapsID: Soft-Routed Variable-Length Semantic IDs for Generative Recommendation

**单位**: 快手 / 清华大学
**作者**: Zhang San, Li Si, Wang Wu et al.
**链接**: [arXiv](...) · [PDF](...)
**评分**: 综合 8.10  ·  创新 9  ·  实用 8  ·  严谨 7  ·  相关 9

**关键词**: `semantic ID` · `生成式推荐` · `variable-length tokens`

### 解读
本文针对……（200-300 字中文解读）

快速开始

需要 Python 3.9+ 与 DeepSeek API key。

# 1. 装依赖
python3 -m venv .venv
.venv/bin/pip install -r requirements.txt

# 2. 设密钥
export DEEPSEEK_API_KEY=sk-...

# 3. 跑一次
.venv/bin/python main.py

输出落在 output/2026-05-07.md。

切换模型

默认用 deepseek-v4-flash（便宜、够用）。想换 deepseek-v4-pro 设环境变量：

DEEPSEEK_MODEL=deepseek-v4-pro .venv/bin/python main.py

调参

参数都集中在 main.py 顶部：

参数	默认	说明
TOP_N	5	输出几篇精选
MAX_FETCH	80	从 arXiv 拉多少篇候选（拉得多，过滤后保留多，但评估调用次数也变多）
LOOKBACK_DAYS	3	往回看几天的论文。arXiv 周末不发新，3 天能覆盖周一断档
WEIGHTS	见下	4 维评分的加权

WEIGHTS = {
    "novelty": 0.30,       # 创新性
    "practicality": 0.30,  # 实用性
    "rigor": 0.20,         # 严谨性
    "relevance": 0.20,     # 相关性
}

四个维度权重之和不必等于 1，最终是相对排序。重视工业落地就拉高 practicality，偏理论就拉高 novelty + rigor。

关键词过滤

fetch.py 顶部的 KEYWORDS 决定哪些 cs.IR 论文会进评估流程。默认包含：

KEYWORDS = [
    "recommend", "recommender", "ranking", "retrieval",
    "ctr", "click-through", "collaborative filtering",
    "user modeling",
]

只要论文标题或摘要里命中其一就纳入评估。想加新方向（比如 LLM4Rec、agent），改这个列表即可。

项目结构

paper-digest/
├── fetch.py          # arXiv 抓取 + 关键词粗筛
├── evaluate.py       # DeepSeek 调用：评分 + 关键词 + 单位 + 解读
├── render.py         # markdown 渲染
├── main.py           # 串起来：抓 → 评 → 排序 → 写文件
├── requirements.txt
└── output/           # 生成的 markdown

成本估算

每篇论文 ~1 次 API 调用，输入 ~600 tokens（系统 prompt + 摘要），输出 ~800 tokens（评分 + 解读）。按 DeepSeek V4 Flash 计费一篇约 ¥0.001-0.003，一次跑 20 篇候选 ≈ ¥0.05 左右。

路线图（按需扩展）

• 加 RSS 输出（output/rss.xml）
• GitHub Actions 每日定时跑 + 自动 commit
• 静态站点（Astro / Next.js）展示历史归档
• 多源：Hugging Face Papers / Semantic Scholar
• 失败重试 + 速率限制

已知限制

• DeepSeek 的 json_object 模式偶尔会返回空内容或缺字段，已加 3 次重试（evaluate.py 里 max_retries），仍失败的论文会跳过并继续
• 每篇候选会下载一次 PDF（~1MB），20 篇约 30s 网络耗时
• arXiv 周末不出新，每周一会发现 2 天的论文，正常现象