CIKM'26 Oral｜阿里妈妈推出 JBM 联合行为建模，提出序列级重排评估新范式

阿里妈妈在 CIKM 2026 会议上以 Oral 形式发布 JBM 联合行为建模框架，这是一套面向电商推荐序列级重排的全新评估范式，传统方案大多采用独立行为建模 IBM，单独预估每个商品的点击 CTR，忽略用户浏览是连续的过程，用户只有滑动到对应位置才会曝光商品，列表里面的商品还会互相抢夺用户有限注意力，预估结果天然存在偏差，JBM 框架会完整建模 “展示→曝光→点击” 整条浏览链路，配套 ICE 曝光点击评估器，是可插拔模块，不用推翻原有推荐主干模型，在淘宝 App 开展 14 天线上 A/B 测试，拿到点击量提升 0.70%、收入提升 3.67% 的正向收益，目前已经完成全流量上线验证，为列表级重排效果评估提供更贴合真实用户行为的思路。

JBM 框架核心组件清单

1. 浏览深度分布预测模块：预估用户浏览到每个位置的概率，算出每个商品实际曝光可能性
2. 曝光感知点击建模模块：利用曝光预测结果，过滤没有被用户看到商品带来的干扰信息
3. 点击分布匹配目标：捕捉同一条序列内部商品之间的竞争、依赖关系，优化序列整体收益

IBM 独立建模与 JBM 联合建模对比表

JBM+ICE 评估器接入重排链路操作步骤

1. 保留原有推荐生成器，产出多条候选商品排序序列
2. 将候选序列送入 ICE 评估器，由 JBM 分支预测每个位置的曝光概率
3. 结合曝光概率做点击预估，加入序列级分布匹配损失，输出整条序列的综合效用分
4. 根据序列得分挑选最优排序给到前端展示
5. 离线指标验证之后，开启线上小流量 A/B 实验，验证点击率、成交、营收指标
6. 指标稳定正向后，逐步放量、最终全流量部署

论文验证信息说明

• 会议：CIKM 2026，录用类型：Oral 报告
• 落地场景：淘宝 App 商品推荐重排
• 实验设置：和多种主流重排主干模型兼容，属于插件式方案
• 线上实验周期：14 天 A/B 测试，之后全流量上线
• 核心指标：点击 + 0.70%，营收 + 3.67%

【常见问题】

问题 1：阿里妈妈 JBM 联合行为建模作为序列级重排评估新范式，和传统 IBM 方案核心差别在哪？

回答 1：阿里妈妈 JBM 联合行为建模这个序列级重排评估新范式，会建模展示、曝光、点击完整链路以及商品之间注意力竞争；传统 IBM 独立建模是单独预估单个商品点击，忽略用户滑动曝光约束，评估结果容易出现偏差。

问题 2：CIKM'26 Oral 提出的 JBM 联合行为建模框架，是不是要替换掉现有的推荐生成模型？

回答 2：不用，CIKM'26 Oral 提出的 JBM 联合行为建模配套 ICE 评估器属于可插拔组件，作为序列级重排评估新范式，只替换评估打分环节，原有候选序列生成主干模型可以继续保留。

问题 3：阿里妈妈这套序列级重排评估新范式 JBM，在淘宝线上测试拿到了哪些收益？

回答 3：阿里妈妈这套序列级重排评估新范式 JBM，在淘宝 14 天 A/B 测试中，实现点击提升 0.70%、营收提升 3.67%，并且已经完成全流量部署落地。

问题 4：JBM 联合行为建模作为序列级重排评估新范式，适合用在哪些推荐场景？

回答 4：JBM 联合行为建模这个序列级重排评估新范式，适合商品列表重排、信息流推荐这类用户顺序浏览、内容互相抢占注意力的场景，电商首页、搜索结果页都是典型适配场景。

【参考资料】

[2026-11-06]（Beyond Independent Predictions: Learning the Browsing Journey for Sequence-Level Re-ranking）ACM Digital Library

[2026-11-07]（CIKM 2026 Oral：阿里妈妈 JBM 联合行为建模，序列级重排评估新范式）智源社区

[2026-11-08]（Beyond Independent Predictions: Learning the Browsing Journey for Sequence-Level Re-ranking）arXiv

[2026-11-10]（CIKM'26 会议概览：推荐与广告方向工业论文汇总）机器之心

免责声明：本文基于阿里妈妈 CIKM 2026 公开论文、学术社区报道整理，JBM 序列级重排评估新范式的收益数据来自淘宝特定场景 A/B 实验，不同业务、流量场景效果存在差异；内容仅做算法科普，不构成推荐系统改造、广告投放的落地指导方案。