帮助用户发现新兴趣是工业推荐系统长期健康的关键，但常用的提升未曝光（探索）内容曝光的做法在生产环境常适得其反。我们在阿里巴巴淘宝 Feed 推荐中部署了 URED（Unexposed Recycling for Efficient Discovery），一个无需模型训练的召回层系统，已稳定运行六个月，日活用户数达数千万。核心观察是：直接提升冷启动候选会引入信息贫乏的条目，排序模型会系统性高估其得分，既不产生发现价值，又可能降低互动。相反，得分高但从未曝光的候选（工业流水线通常会丢弃）构成了一个既相关又可预测的池。URED 在 30 天窗口内离线收集这些候选，存入分布式存储，并在召回时通过一次 O(1) 查表的轻量级在线路径注入，额外延迟不足 1%。A/B 实验显示，发现的品类提升 3.47%，内容丰富度提升 8.47%，且互动保持不变，完成视频观看提升 2.62%，总观看略升 0.36%（不显著）。消融实验表明，两大设计缺一不可：窗口缩短至一天使发现提升降至 0.55%（不显著），不做分数过滤的随机注入既无提升且互动略降 0.17%。在所有召回渠道中，URED 的发现率是平台平均的 13.9 倍，最强近线基线的 6.3 倍，且互动质量与平台持平。我们分享了离线聚合、分布式存储、低延迟在线服务的实现细节，并给出在资源受限下平衡探索与利用的实用经验。
点评：在大规模推荐系统中，利用高分未曝光候选实现低成本发现，展示了数据再利用的潜力。