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；核心指标为搜索相关性（nDCG）和点击率（CTR），关注语义匹配、query 理解、短文本召回、排序模型及 LLM 在搜索中的应用。 — 评分 52 篇，入选 4 篇，分数 3.15 – 4.20
Kuaishou论文用5个标准化自然语言关键词组成 Term IDs，以替代易幻觉的自由文本标识和需扩词表的 Semantic IDs；GRLM 联合上下文词项生成、指令微调与弹性标识落地。Beauty、Sports、Toys 上 Recall@5 相对最强基线分别提升7.8%、30.2%、14.9%，跨域 Recall@K 平均提升超过50%。
论文针对同一提示多次询问时品牌推荐结果漂移的问题，用交叉随机效应将噪声拆成重复采样、提示改写、模型身份和查询语言四部分，并据此计算达到目标可靠性所需的采样预算。实验覆盖12,933条回答、20个中东欧品牌、8种语言和3个模型，比固定重复5次更能定位不稳定来源。
INSIGHTLLM 推荐评测不能只对同一 prompt 重采样，否则会把改写、语言和模型差异混进随机噪声。社区搜索若用 LLM 做品牌或内容推荐，应把评测预算分配到多改写、多语言和多模型维度，并用方差分解决定每维采样量，才能让离线指标具备可复现性。
该综述梳理2023年11月至2026年7月间45项生成式引擎优化研究，把 GEO 拆成搜索触发、抓取索引、召回重排、上下文分配、引用与用户行为等连续环节。作者指出既有高增益多在“来源已进入固定上下文”的条件下成立，不能直接证明真实开放检索中的可发现性提升。
INSIGHT生成式搜索的优化目标不应只看最终答案是否提及内容，而应逐层监控索引覆盖、召回进入率、上下文位置、引用准确性和结果稳定性。对 UGC 搜索团队，可借此建立端到端漏斗并分离检索问题与生成问题，避免把固定上下文实验的收益误当作线上整体提升。
论文从离散状态空间构造出发，统一解释转移矩阵、掩码吸收态与 score/ratio 三类离散扩散方法，并系统连接分词、词表拓扑、训练目标、推理算法和系统优化。它不直接给出推荐线上增益，但为用并行生成替代自回归 Semantic ID 解码提供了完整设计坐标系。
INSIGHT生成式推荐若尝试离散扩散，首要变量不是单一去噪网络，而是物品 token 的状态空间与邻接结构；错误的标识拓扑会直接限制可学习的转移。实践上可先在离线召回任务比较掩码扩散与自回归解码的延迟、覆盖率和合法 ID 比例，再决定是否引入并行迭代生成。