INSIGHT推荐系统的用户-物品交互矩阵本身就是低秩的，利用这个先验通过 SVD 分解降低 attention 复杂度，是序列建模 scaling 的一个优雅且理论扎实的方案。

业务关联社区搜索中用户历史行为序列往往非常长（浏览、点击、搜索历史），SOLAR 的 SVD-Attention 可以在不截断的前提下高效建模全量用户行为，提升个性化排序效果。

证据理论证明 SVD-Attention 对低秩矩阵无损，复杂度从 O(N²d) 降至 O(Ndr)。来自快手团队（Kuaishou），作者阵容表明已有工业实践基础。

INSIGHT通过将大量稀疏特征压缩为少量高维 Prime Token 再做特征交叉，既降低了 token 数量又保留了信息密度，是工业排序模型 scaling 的实用范式。

业务关联社区搜索的排序模型同样面临高维稀疏特征的建模挑战，Zenith 的 Prime Token 思路可用于搜索排序中将大量 UGC 特征高效压缩交叉，提升 CTR AUC。

证据TikTok Live 线上 A/B 测试：CTR AUC +1.05%，Logloss -1.10%，Quality Watch Session/User +9.93%，Quality Watch Duration/User +8.11%。效果显著。

INSIGHT转化归因机制的选择对 CVR 模型影响巨大，多归因学习能带来一致性提升。这是首个系统性研究多归因 CVR 的工作，开源数据集和代码库极大降低了研究门槛。

业务关联社区搜索中用户的转化行为（点击、收藏、回复）同样涉及归因窗口选择问题，MAC 的多归因学习思路可直接应用于社区场景的 CVR 预估优化。

证据首个多归因 CVR 公开数据集；开源 PyMAL 库；三个关键发现：MAL 带来一致提升、长转化路径收益更大、性能随目标数增长而扩展。来自阿里巴巴团队。

INSIGHT在生成-评估框架中，通过跨候选序列的 token 共享实现并行评估，既提升选择精度（直接跨序列比较）又大幅提升吞吐量，是生成式推荐系统落地的关键优化。

业务关联社区搜索的重排序阶段需要从大量候选中选出最优排列，FlashEvaluator 的并行评估机制可直接用于搜索重排中加速候选评估，在延迟约束下扩大搜索空间。

证据理论证明亚线性复杂度，实验显示在推荐系统和 NLP 任务上均优于传统独立评估。来自快手团队，与 SOLAR 同一研究组。

INSIGHT通过多层压缩交叉网络实现高阶特征交互的高效 scaling，在 AUC 提升和计算降本之间取得极佳平衡，是工业推荐系统特征交叉方向的实用改进。

业务关联社区搜索排序中特征交叉是核心模块，MLCC 的分层压缩思路可用于在有限计算资源下实现更高阶的特征交叉，提升排序 AUC 同时控制推理延迟。

证据AUC 提升最高 0.52，参数和计算量降低最多 26x。已部署于 B 站（Bilibili）广告平台，有线上验证。

INSIGHT用预训练语言表征完全替代 ID embedding，配合实时偏好推断替代用户 embedding 存储，挑战了推荐系统三大设计惯例（user/ID/GNN 依赖），对下一代推荐架构有启发。

业务关联社区搜索中 UGC 内容更新频繁，ID-based 方法面临新内容冷启动问题。AlphaFree 的 ID-free 思路可用于社区搜索中快速为新帖子建立语义表征。

证据在多个标准推荐数据集上评测，在 top-K 推荐任务上取得有竞争力的结果，同时消除了传统方法的 ID 和 GNN 依赖。

INSIGHT生成式推荐的 beam search 推理会因前缀 token 的低概率而丢弃正确候选，这是训练-推理 gap 的一个重要但被忽视的问题。前缀级优化提供了针对性解决方案。

业务关联生成式推荐/检索在搜索系统中应用日益广泛，APAO 揭示的训练-推理不一致问题具有普遍性，其前缀级优化思路可提升生成式搜索的召回质量。

证据在多个标准顺序推荐数据集上验证，APAO 显著提升了 beam search 的召回准确率，消融实验证明自适应权重优于固定权重。来自清华大学团队。

INSIGHT将扩散模型用于跨域推荐时，标准高斯噪声会破坏用户偏好信号。平滑-锐化范式通过 ODE 求解实现更可控的偏好迁移，为冷启动场景提供了新思路。

业务关联社区搜索面临新用户冷启动问题，S2CDR 的跨域偏好迁移方法可将用户在其他域（如浏览、购物）的行为迁移到搜索域，缓解搜索冷启动问题。

证据在多个跨域推荐基准上优于现有 DM-based CDR 方法，通过 ODE 求解保证了偏好迁移的可控性。消融实验验证了平滑-锐化各组件的贡献。

INSIGHT将多模态内容通过稀疏 RQ-VAE 量化为离散 token，再用 token 级建模替代传统 ID embedding，是解决物品冷启动的一个可扩展方案。

业务关联社区搜索中大量新帖子缺乏交互历史（物品冷启动），MoToRec 的多模态 tokenization 方法可利用帖子文本、图片等内容特征生成 Semantic ID，改善新帖排序。

证据在多个推荐基准上优于现有 GNN 和多模态推荐方法，特别是在冷启动场景下效果显著。消融实验验证了稀疏正则化和跨模态对齐的各自贡献。