今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 90 篇，入选 5 篇，分数 3.45 – 4.10
Kuaishou针对直播推荐行为稀疏、冷启严重的问题，快手提出 RGCD-Rep，把短视频域的用户兴趣迁移到直播域。方法分两阶段：先用冻结的多模态大模型（MLLM）作 teacher 生成结构化的跨域推理知识，蒸馏进一个轻量 student；再把 item 表征拆成「可迁移表征」与「域残差表征」，全部离线预计算后接入下游推荐，serving 端不需实时跑 MLLM。已在快手直播推荐系统部署、服务日活 4 亿+ 用户，A/B 实验在多个核心业务指标上取得显著正向。
主流 CTR 模型都是双流结构：一路用乘法显式构造特征交叉，一路用 MLP 隐式学习，两路输出直接相加。结构越复杂越难调，乘法那一路的输出还会随交叉阶数变大，相加时容易压过 MLP 那一路。DS-MLP 让最终模型只剩两个普通 MLP：一个通过知识蒸馏学会老师模型的显式交叉，另一个从零学习、补上老师漏掉的模式，两路先做批归一化，再各自用点击标签监督。先把老师变成同构的 MLP，再对齐融合。三个公开数据集上 AUC 都排第一，但 Criteo、Avazu 上只领先最强基线 0.0003 和 0.0006，只有 MovieLens 领先 0.0035。
Kuaishou重排（reranking）决定最终曝光。生成式重排把重排建模成整段序列生成，但存在「似然陷阱」：高似然序列往往重复单调、人感知质量差，反而压低用户参与。快手提出 CONGRATS：用图结构模型替代线性自回归解码，通过图上多路径探索扩大解码空间、提升序列多样性，同时用图转移显式建模 item 间依赖来提升预测准确性；再配一个可微的一致性训练（带 evaluator）直接从用户偏好学习。离线优于现有重排方法，已在快手（日活 3 亿+）线上验证，论文被 KDD 2026 接收。
INSIGHT似然陷阱是生成式重排/生成式推荐的共性坑：最大似然解码偏好「安全但重复」的序列，与真实用户体验（要多样、要新鲜）背离。CONGRATS 把自回归链式解码换成图结构多路径解码 + 用 evaluator 做偏好对齐，相当于在生成端同时引入多样性与一致性约束。对做生成式重排/list-wise 排序的团队，这是一个直接可借鉴的解码结构改造，而非简单加多样性正则。
LLM 个性化现有两条路都有短板：输入级（检索用户历史 / 拼 profile prompt）依赖检索质量和 prompt 设计；参数级（每个用户存一个 PEFT 模块）存储维护成本随用户量线性增长。本文提出 TAP-PER（Temporal Attentive Prefix for PERsonalization），把用户偏好编码成可学习的 prefix 表征，省掉显式 prompt 构造，也用轻量「用户状态 prefix embedding」替代每用户一个 adapter，并把用户建模拆成 user-state 与 query-conditioned 两部分、引入时序信号捕获兴趣演化。在 6 个 LaMP 任务（分类/打分/生成）上优于基线，per-user 参数比 OPPU 少 130×，千用户规模下总参数量约为 PER-PCS 的一半。
INSIGHT把「每用户一个 adapter」换成「每用户一个轻量 prefix 表征」，是 LLM 个性化在大规模用户下控存储成本的关键设计——参数从 O(用户数 × adapter) 降到 O(用户数 × prefix 维度)。user-state（长期偏好）与 query-conditioned（当前意图）解耦 + 时序 attention，思路和推荐里的长期/短期兴趣建模一致。对社区做个性化 LLM 搜索/问答的场景，这套 prefix 化用户状态的方案比拼长 prompt 更省 token、更易扩展。
Northeastern UniversityLLM 推荐里给模型喂了协同过滤 embedding，不等于模型在推理时真用上了它。作者做了一个 attention 诊断分析，发现协同 embedding 的利用是深度依赖、对齐敏感的：浅层会过早引入协同干扰，深层才该让协同证据起决策作用。SAILRec 据此做两件事：双侧语义对齐（item 侧 embedding 对齐 item 文本语义，user 侧对齐基于 codebook 的语义画像）+ 分层注意力引导（抑制浅层协同干扰、强化深层协同证据）。在 MovieLens-1M 和 Amazon-Book 上稳定优于代表性基线。
INSIGHT把协同信号塞给 LLM，和 LLM 真正在正确的层用上协同信号，是两回事——这个 attention 诊断视角对所有做 LLM+ID / 协同 embedding 融合的工作都有提示：融合位置和层次比是否融合更关键。双侧对齐（item 对文本、user 对语义画像 codebook）+ 分层注意力引导，提供了一个让协同 embedding 在 LLM 内部「该浅则抑、该深则用」的可操作机制。当前为公开学术数据集验证，工业级规模与在线效果尚待检验。
RUC