An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking 深度解读
1. 问题与动机
LinkedIn Feed 服务 12 亿会员，排序系统必须在「几百毫秒延迟、数万 QPS 吞吐」的硬约束下实时打分。原生产模型是基于 DCNv2 的排序器——Deep & Cross Network 用 cross 层做显式特征交叉，但本质上是「对单点特征做交叉」，缺乏对用户行为序列的时序建模能力。作者的核心判断是：会员的近期 Feed 行为序列里藏着比手工交叉特征更强的兴趣信号，而 DCNv2 这类 wide&deep 谱系的模型无法自然地消化变长序列。
论文同时回应了一个现实诱惑：既然 LLM 这么强，为什么不直接上 LLM 排序？作者明确做了 LLM 排序的尝试并放弃（见第 5 节），因此 Feed SR 的定位是「在生产效率与线上指标之间取最优」的序列 Transformer，而非追求最大模型。它要替换 DCNv2 并真正扛住 12 亿会员的线上流量，已稳定服务大部分 Feed 流量超过三个月。
2. 方法详解
序列构造：把 Feed 帖子表示与动作表示交替拼接，输入序列为 Xin = [X1, A1, X2, A2, ..., XT, AT]，每个帖子用 J 个特征拼接 Xt = concat(f1(xt,1),...,fJ(xt,J))。会员历史取最近 T=1000 次曝光，按时间顺序排列。
Transformer 结构：Decoder-only，采用 pre-LayerNorm、旋转位置编码 (RoPE) 和带缩放的残差连接，用因果自注意力（SDPA）。过完 Transformer block 后，丢弃对应「动作输入」位置的输出，压回 T 个表示，再与上下文特征拼接。
候选打分（target attention）：推理时把待排候选 append 到序列末尾，用自定义 attention mask 一次性对所有候选打分（batch candidate scoring），这是后面 80× 加速的基础。
损失与多任务：在所有序列位置上施加二元交叉熵，多任务预测会员对帖子可能采取的动作（long-dwell 长停留、like、comment、share）。
训练设置：用一年训练数据；负采样上「未点击的曝光以 0.1 概率随机保留」。冷启后模型每日增量更新——增量训练时只对新观测到的交互计损失，但仍输入完整历史序列。为缓解 in-session 泄漏（train-serve 不一致：条件于 session 首个 item 会抬高后续 item 超阈概率），对每个 session 内 item 顺序做随机化。
关键稳定性设计：pre-LN 是必需的，去掉它 AUC 会塌到 0.5；vanilla 残差相加会间歇性不稳定。
3. 核心技术贡献
- 序列 Transformer 直接替换 DCNv2 做精排：把「用户行为序列 → Transformer 编码 → 候选 target attention 打分」做成可上线的精排主模型，而非仅停留在召回或粗排。证明序列信号本身（而非更复杂特征工程）带来主要增益。
- Late Fusion（晚融合）：把上下文特征移到 Transformer 之后再融合，计算量降 12%，而 Long Dwell AUC 仅 +0.04%——几乎无损地省算力。这是把「会随 candidate 变化的强信号（popularity、affinity）」与序列表示解耦的工程巧思。
- 一整套 serving 加速：Shared Context Batching（N 个候选 append 后单次前向，Transformer 前向 80× 加速）、自定义 Flash Attention 内核 SRMIS（相比 PyTorch SDPA ~2× 加速，靠免去 O((L+N)²) mask 物化和跳过无效 tile）、CPU 向量化（历史解析 450ms→2ms，225×；稀疏转稠密 254ms→5ms，50×）、Arrow 列式 buffer 零拷贝转 PyTorch tensor。
- Scaling 经验律：训练 FLOPs 每涨一个数量级，评估 Long Dwell AUC 约 +0.0093；其中拉长序列长度带来的增益最一致。
4. 实验结果分析
消融（Table 1，相对 Long Dwell / Contributions ∆%）：去掉 RoPE 改用学习式 PE 为 -0.19%/-0.16%；把序列头换成 linear head 为 -1.20%/-0.48%（最大降幅，说明序列建模头至关重要）；Softmax 换 SiLU -0.09%/-0.05%；Feed SR vs HSTU -0.23%/-0.28%（优于 HSTU）；late fusion vs early +0.04%/+0.01%。
线上 A/B（Table 4）：整体 +2.10% 停留时长、+3.52% 点赞/评论/转发；分群看 DAU +2.38%/+4.07%、WAU +1.84%/+3.40%、MAU +0.82%/+1.86%；新用户不显著（NSS）。说明序列模型对高活用户收益最大，对历史稀疏的新用户帮助有限。
能耗：训练能耗为旧系统 0.2×，推理为旧 CPU 模型的 0.7×——既提效又省钱。
稀疏历史增益：用 LLM 生成的会员画像 embedding 只对历史 <10 次动作的会员有效（+2% AUC），印证序列模型的短板在冷启动。
5. 局限与未来方向
作者明确陈述：(1) 特征裁剪权衡——砍掉 80% 特征但必须保留 item popularity、viewer-to-author affinity 等关键数值信号，部分数值特征不可替换否则 AUC 显著下降；(2) 会员画像 embedding 仅惠及稀疏历史会员；(3) 训练稳定性强依赖 pre-LN；(4) 新会员线上中性（不显著）；(5) 与 TransAct 相比，非序列优先设计会显著增加训练时间与推理延迟。隐含局限是该方案对冷启动/新会员仍缺乏有效解。
6. 工业实践意义
对搜索/推荐排序团队，这是一份难得的「序列 Transformer 上线手册」：该采用——把用户行为序列建模做进精排主模型，用 target attention 一次性给所有候选打分，配合 Shared Context Batching 把 80× 算力省回来；该尝试——late fusion 把 candidate 相关强信号晚融合，几乎无损省 12% 算力，pre-LN + RoPE 是稳定训练的标配。该规避——别盲目上 LLM 排序：作者实测 LLM 难编码数值/网络关系特征、历史几万 token 太贵、线上从未超过现网模型。落地考量上，几百毫秒延迟、数万 QPS 下，自定义 CUDA 内核与 Arrow 零拷贝是把 Transformer 精排压进延迟预算的关键。对社区搜索的迁移：搜索点击序列同样可作为精排序列输入，但要预留对新用户/冷启动 query 的兜底策略。