今日场景社区搜索 (UGC 短文本搜索)：关注搜索相关性 nDCG、点击率 CTR、语义匹配、用户兴趣建模和排序效率。 — 评分 149 篇，入选 10 篇，分数 3.75 – 4.40
NUS / 
USTC点击率模型常靠多次随机预测教自己，本文把这种训练改成可计算的分歧惩罚。门控只读取未遮挡的原始特征，让随机遮挡造成的预测差异可以直接估算。五个基准中，蒸馏版在 Criteo 的 AUC 达到 0.8169。
语言模型逐个阅读物品全文，在线推荐成本很高。作者把每件物品预先压成一个向量，再让排序模型结合用户历史和反馈打分；同一请求的候选共享历史缓存。在单张 H100 上，吞吐约为每秒 2.64 万个候选分数。
INSIGHT可复用的内容表示和个性化判断可以分开计算，再用同一个推荐目标联合训练。压缩模型只是第一步；把重复的历史预填充、输入传输和调度一起削掉，才会兑现端到端吞吐收益。
跨领域推荐不能只靠商品文本相似度连接用户兴趣。作者先推断用户画像，用画像引导跨域行为迁移，再用局部语义补充各领域内部的行为关联。在 Movie 领域，NDCG@10 比最强基线高 15.40%。
INSIGHT跨域共享的对象可以是用户的行为倾向，而非商品的全局语义距离。让画像决定哪些行为值得迁移，把文本关系限制在局部，能减少“文字相近、消费意图不同”的错误连接。
HIT只优化准确率，推荐结果容易集中到少数类别。作者先拆开多模态内容，再交替传播协同行为和语义信息，并用类别曝光熵约束训练。偏多样性的配置在 Game 数据集上把 Coverage@10 提升到 0.6348。
INSIGHT多样性不仅是最后重排时加的一项奖励，也取决于表示是否挤在一起。双图传播和类别曝光约束分别处理表示与优化偏差；偏准确率和偏多样性的配置应分别比较，不能把两者的最佳数字拼成一次收益。
Alibaba
Nankai UniversityUSTC商品编码更新会破坏生成检索模型已经学会的路径。作者保留老商品编码，只为新商品插入编码，并从旧模型继续训练。天猫三周线上实验中，GMV 提升 1.16%。
INSIGHT编码稳定性本身就是模型能力的一部分。大束宽搜索会掩盖编码漂移；同时观察小束宽命中率和老商品编码变更比例，才能区分模型进步与额外候选枚举带来的补偿。
Didi优惠券组合会同时影响多个品类，逐品类估计容易遗漏相互作用。作者把每个折扣维度作为查询，先用观测日志预训练，再用随机试验数据适配并融合两路预测。在补贴率基本不变时，人均业务价值提升 1.26%。
INSIGHT大量观测数据和少量随机试验数据承担不同职责。冻结观测分支保留一般规律，让随机试验分支纠正策略偏差，再按请求融合；这种拆分比直接混合两类日志更能明确偏差来自哪里。
Chongqing University
China Telecom
CAS只预测下一件商品，模型可能忽略历史中反复出现的兴趣。作者把物品编码组织成 token、子空间和物品层级，再用对应粒度恢复被遮挡的历史。四个 Amazon 类别中，NDCG@10 比 RPG 高 18.6%–30.0%。
INSIGHT历史重建的单位应和物品编码结构一致。这样恢复任务才能迫使模型利用用户路径，而不只是猜商品内部的相关编码；打乱历史但保留当前物品线索，是检验真实历史依赖的有效对照。
UCAS生成推荐训练的目标，常与上线时的融合排序规则不一致。作者让物品匹配与离散编码概率共享归一化融合，并把多步细化结果蒸馏进一次预测。六个 Amazon 数据集上，NDCG@5 平均相对提升 7.12%。
INSIGHT蒸馏应对齐真正用于排序的分布，而不是只对齐中间编码。候选集合和归一化方式也属于目标定义；固定这些条件，学生模型才有机会把训练时细化获得的收益带到一次推理。
向量截短后效果变差，可能是重要信息没有集中在前几维。作者从模型参数导出按重要性排列的谱基，让嵌套向量在这个坐标系中读取前缀。在 MTEB 上，一半维度的表示超过了完整维度的原始嵌套表示。
INSIGHT压缩表示既要学信息，也要学信息在坐标中的位置。改变读取坐标系可以改善短向量质量；对需要多档检索成本的系统，这比给每档维度训练独立模型更容易共享表示。
按候选物品重新分配历史行为权重，不一定改善顶部排序。作者给同一个序列推荐基线加入轻量残差路由，用配对种子比较用户驱动和候选驱动的权重。候选驱动版本的 Recall@10 提高 1.81%，新增命中多在后半段。
INSIGHT召回提升和首个相关结果下沉可以互相抵消。只看一个汇总排序指标，会错过这种变化；按新增命中的位置分解结果，能判断模块适合扩大候选覆盖，还是适合直接用于顶部排序。
Google DeepMind
Oracle
UC Irvine