INSIGHTCTR 模型也遵循类似 LLM 的 Scaling Law：在模型容量和数据量跨越三个数量级的范围内，性能提升可预测。LightSUAN 通过稀疏注意力和知识蒸馏平衡了效果和推理效率。

业务关联社区搜索的排序模型可借鉴 Scaling Law 指导资源分配——在给定计算预算下选择最优模型大小和数据量配比，实现 CTR 和 nDCG 的可预期提升。

证据在美团线上 A/B 测试中 CTR 提升 2.81%，CPM 提升 1.69%。Scaling Law 在模型参数量 1M-1B、数据量 10M-10B 范围内均成立。LightSUAN 推理延迟与基线持平。

INSIGHT不需要将完整文本输入 LLM，仅在 field 级别利用语言模型提取语义知识即可显著增强 CTR 模型的特征表示和交互能力，且计算开销远低于全文本方案。

业务关联社区搜索中 UGC 内容的 field 特征（标题、标签、类目等）可通过 LLaCTR 的 field 级语义增强获得更好的表示，特别适合短文本场景下提升排序模型的 CTR 预估精度。

证据在 Criteo、Avazu、MovieLens、Amazon 4 个数据集和 DeepFM、DCN 等 6 个 CTR 模型上验证，AUC 平均提升 0.2%-0.5%。代码已开源。

INSIGHT持续序列注意力 (CSA) 通过线性注意力的累积特性在不存储历史数据的情况下保留用户兴趣，并利用协作兴趣丰富化机制缓解遗忘问题，为在线推荐系统的实时更新提供了新方案。

业务关联社区搜索中用户兴趣随时间快速变化，CSTRec 的持续学习能力可帮助搜索排序模型在不回训全量数据的情况下跟上用户兴趣漂移，提升时效性和个性化效果。

证据在 MovieLens-1M、Amazon-Books、Yelp 三个真实数据集上验证，相比 SASRec+微调基线，Recall@20 平均提升 3.5%-8.2%。论文被 WSDM'26 接收。

INSIGHT通过 Listwise Multi-HSTU 模块捕捉候选项间的依赖关系，并共享排序和重排阶段的表征，RIA 在保持低延迟的同时实现了 pointwise 精度和 listwise 上下文感知的统一。

业务关联社区搜索的排序通常是 pointwise 打分，RIA 的方法可引入列表级上下文信息提升排序质量，特别是在搜索结果页中多个 UGC 内容同时展示时，利用候选项间关系优化整体 CTR。

证据在美团广告平台线上 A/B 测试中 CTR 提升 1.69%，CPM 提升 4.54%。Embedding Cache 机制使推理延迟仅增加 5ms。

INSIGHT在增量训练中，长尾特征的嵌入因缺乏训练样本而逐渐过时。FeSAIL 通过识别过时特征并回放相关历史样本，配合细粒度正则化控制嵌入更新，有效缓解了特征漂移问题。

业务关联社区搜索中大量 UGC 特征（如冷门标签、低频 query）具有长尾分布，增量训练时易出现特征过时。FeSAIL 的方法可直接用于搜索排序模型的在线学习流程，提升长尾场景的 CTR 预估质量。

证据在 Criteo、Avazu、Taobao、KuaiRand 4 个基准数据集上，相比 IDA、IncCTR 等增量学习方法，AUC 平均提升 0.15%-0.35%。

INSIGHT推荐系统中准确性、多样性、公平性等多个目标之间存在不确定的相互依赖。正交元学习通过跨任务共享知识并缓解目标冲突，为个性化多目标优化提供了高效解决方案。

业务关联社区搜索同时优化 nDCG（相关性）和 CTR（点击率）等多个目标时，该方法可帮助自动找到用户级别的最优目标权重组合，避免人工调权的低效和次优。

证据在 MovieLens-1M 和 Amazon 数据集上验证，相比 MOEA/D、ParetoMTL 等多目标方法，Pareto 前沿质量（HV 指标）提升 2.1%-5.3%。