INSIGHT行为日志的「语言化」方式显著影响LLM推荐质量，通过RL训练的verbalization agent可自动学习最优转换策略，比手工模板提升明显。

业务关联社区搜索场景中用户有丰富的浏览/点击/搜索日志，该方法提供了将这些结构化日志高效转换为LLM可理解输入的生产级方案，可用于个性化搜索排序。

证据在大规模工业流式数据集上，学习的verbalization方式在发现类推荐准确率上实现最高93%的相对提升；RL agent自动学到用户兴趣摘要、噪声过滤、语法规范化等策略。

INSIGHT搜索系统中相关性和CTR两个核心目标应统一建模而非独立优化，V2通过跨用户偏好挖掘解决冷启动、曝光偏差校正提升泛化、LLM蒸馏增强语义理解。

业务关联直接匹配社区搜索的核心需求：nDCG（相关性）和CTR的联合优化。跨用户偏好挖掘对低活用户较多的社区场景尤为重要。

证据在PRECTR基础上解决了低活/新用户偏好建模、高相关性曝光分布偏移、编码器延迟等三大工业挑战；采用LLM蒸馏优化编码器语义能力并满足延迟约束。

INSIGHT生成式推荐的核心瓶颈在于 Semantic ID 编码：索引阶段的优化目标与推荐目标错位，且层级ID展平导致序列过长。IntRR通过ID重分配和长度压缩双管齐下解决。

业务关联若社区搜索引入生成式召回范式，该框架可大幅降低推理延迟（序列长度缩减），同时提升召回质量，是生成式推荐工程化的重要技术。

证据在基准数据集上的实验表明，IntRR在推荐准确率和效率上均显著优于代表性生成式基线方法，同时实现了SID质量与序列长度的双重优化。

INSIGHT生成式列表推荐的关键在于全局规划而非逐item解码，层级规划策略可同时兼顾推理效率和多目标（如相关性+多样性+新鲜度）业务需求。

业务关联社区搜索的SERP就是典型的列表推荐场景，该方法可同时优化搜索结果的相关性、多样性和时效性，减少生成式推荐的线上推理延迟。

证据离线推荐质量超越SOTA基线10%以上，推理速度提升5倍；在腾讯服务数亿用户的平台上线，平均观看时长提升1.22%，平均播放量提升1.73%。

INSIGHT超长用户行为序列的端到端建模在生产中不可行，HiSAC通过多级 Semantic ID 编码和层级投票机制实现个性化的序列压缩，保留长尾兴趣同时满足延迟要求。

业务关联社区搜索用户的浏览/搜索历史通常很长，该方法可高效编码用户长期兴趣用于个性化搜索排序，在生产延迟限制下提升个性化效果。

证据部署在淘宝「猜你喜欢」首页，线上A/B测试CTR提升1.65%，同时实现显著的压缩和成本降低。

INSIGHTLLM语义信息最有效的利用方式不是直接做推理或简单特征拼接，而是转化为协同过滤图的拓扑连接——这在保持可扩展性的同时引入了丰富的语义信号。

业务关联社区搜索可用该方法将LLM对UGC内容的语义理解转化为内容间的拓扑关系，增强基于协同过滤的个性化召回效果。

证据在多个基准数据集和多种CF骨干网络上验证了一致性提升，包括冷启动场景的鲁棒性验证；代码已匿名开源。

INSIGHT现有LLM推荐系统依赖向量量化的离散token存在信息损失，用扩散模型在连续空间直接建模物品表征可显著提升推荐精度，是生成式推荐的新范式。

业务关联为社区搜索的生成式召回提供了新方向：连续token避免了量化误差，可能在语义匹配精度上优于离散ID方案。

证据在4个数据集上的实验表明，ContRec在传统和SOTA的LLM推荐系统上均取得一致性优势。

INSIGHT推荐系统的Scaling Law不同于NLP的Chinchilla定律：模型规模增大需要配合多token预测和冷启动适配等对齐策略，才能将规模收益转化为生产效果提升。

业务关联为社区搜索的模型规模化提供了参考：直接增大模型不一定有效，需要特定的对齐策略确保规模收益落地。

证据模型从O(1M)参数扩展到O(1B)参数，在Netflix推荐任务上取得显著提升；发现了不同于Chinchilla定律和log-scale定律的新Scaling Law规律；采用多token预测和冷启动适配策略实现生产落地。

INSIGHT生成式推荐已从学术概念进入工业落地阶段，Google/快手/美团/字节等公司的实践表明端到端生成式架构在召回和排序阶段均已验证可行。

业务关联为社区搜索引入生成式推荐提供了全面的工业参考和最佳实践，可直接借鉴相似场景（如快手、小红书）的架构设计。

证据汇总了Google、快手、美团、阿里、Netflix、小红书、字节、腾讯、百度、京东等10+公司的生成式推荐实践案例和效果数据。