今日场景社区搜索（UGC 短文本搜索）：核心指标为搜索相关性 nDCG 与点击率 CTR，关注用户兴趣建模、点击预估、序列行为与推荐排序的可迁移方法。 — 评分 23 篇，入选 6 篇，分数 3.40 – 4.15
针对 LLM 序列推荐难以整合用户多种兴趣、独立偏好信号又容易引入噪声的问题，UCGRec 将与用户相关的偏好组织成统一的用户中心图，再通过图神经网络与 LLM 端到端联合训练注入结构知识。论文在四个真实序列推荐数据集上进行广泛实验，并报告其性能显著超过传统方法及近期 LLM 推荐基线。
论文针对 LLM 序列推荐的三个具体失败点：完整历史会混入误点和随意探索；既有方法通常只用长期、短期或协同偏好之一；分别罗列多种偏好既增加 token，又没有帮助模型理解它们的关系。作者提出 UCGRec，先筛选与目标用户高度相关的时序与协同信号，再统一成用户中心图并注入 LLM。与 TALLRec、LLaRA、A-LLMRec、LLM-SRec 相比，它把多偏好之间的结构关系而非单一 item embedding 作为核心。
给定用户序列 Su=[i1,...,in]，长期偏好不是随机抽样。作者先让 LLaMA 3-8B 根据 item 标题生成包含类型和摘要的描述，再用 Sentence-BERT 编码为向量；对每个 item 计算它与序列内所有 item 的平均余弦相似度，取 top-k 构成长周期兴趣。短期偏好直接取最近 r 个 item。
协同分支把所有用户的相邻 item 转移构成加权有向全局图，边权是转移频次。从目标用户的每个节点出发做 m 次长度 z 的游走：以 α=0.6 选择最高边权邻居，否则随机选择，从而兼顾强关系与多样性。长期、短期和协同序列与原序列节点连接，重合转移增加边权，形成局部用户图。
注入阶段以 SASRec 的 64 维 item embedding 初始化节点。GNN 按边权聚合邻居，MLP projector 映射到 LLM token 空间，再把 embedding 拼到长期、短期和完整历史的 item token 后。联合更新 GNN、projector 和 LLaMA 2-7B 的 LoRA adapter。默认 k=r=3，m=6，z=10；LastFM 用 1-hop，其余用 4-hop；LoRA rank=8。Adam 学习率 3e-4，最多 8 个 epoch。Toys 的 batch/梯度累积为 1/128，MovieLens 和 LastFM 为 8/16，Steam 为 4/32。数据按 8:1:1 切分，过滤少于 20 次交互的用户，序列保留最近 10 条；测试候选为真值加 19 个随机未交互 item，温度为 0，五个随机种子取均值。
第一，用语义一致性选择长期行为，避免随机抽样或全量历史把偶发点击当成稳定兴趣。第二，交互加权游走从全局图抽取目标用户相关协同路径，局部图比全局图小，也比预训练 item embedding 更显式。第三，长期、短期、协同偏好在同一图里通过加权边发生关系，再经 GNN 进入 token 空间。第四，端到端联合训练使模型真正使用结构 token；注意力分析显示最终层多个 head 对 UCGRec item embedding 的注意力高于 LLaRA。
四个数据集规模分别为 MovieLens 943 用户/1,682 item/100,000 交互，Steam 11,938/3,581/274,726，LastFM 1,220/4,606/73,510，Toys 97,682/45,497/118,940。
| 方法 | LastFM HR@1 | MovieLens | Steam | Toys | 平均 |
|---|---|---|---|---|---|
| SASRec | 0.2233 | 0.3444 | 0.4010 | 0.4157 | 0.3457 |
| TALLRec | 0.4974 | 0.4695 | 0.4356 | 0.4843 | 0.4717 |
| LLaRA | 0.4803 | 0.4758 | 0.4886 | 0.5133 | 0.4895 |
| UCGRec | 0.5447 | 0.4949 | 0.5040 | 0.5574 | 0.5252 |
UCGRec 四个数据集均第一，平均 HR@1 比 TALLRec 高 11.3%，比 LLaRA 高 7.3%，提升达到 p<0.05；有效输出率 0.96–0.99。消融中，仅长期、仅短期、仅协同的平均 HR@1 为 0.4995、0.4967、0.5027，三者融合为 0.5252。MovieLens/Steam 的长期分支更强，LastFM/Toys 更受近期流行影响，短期分支更有效。
长期筛选的完整框架结果为 0.5447/0.4949/0.5040/0.5574，超过随机长期抽样和全历史。协同分支中，用户中心图相对全局图从 0.4391/0.4765/0.4897/0.5179 提升到 0.5447/0.4949/0.5046/0.5574。LastFM 的局部图平均 192.22 节点，全局图 4,606 节点；训练每 epoch 77.82 分钟对 104.57 分钟，但仍高于 LLaRA 的 46.47 分钟；单用户推理 2.34 秒，与 LLaRA 2.31 秒接近。游走从 5 增至 10 有益，超过 10 后因吸收无关信息而下降。
作者明确承认两点：依赖 LLM 带来更多参数和训练时间；当前只利用文本，没有纳入图片、类别等多模态信息。实验主评测每次只有 20 个候选，不能完全代表百万 item 在线排序；虽然补充 Hit@K、NDCG@K 和冷启动实验，仍无线上 A/B。用 LLaMA 3-8B 预生成描述也会给快速变化的 UGC 带来成本。未来应研究增量图更新、轻量编码器、多模态节点，以及全量候选和真实延迟预算下的验证。
社区搜索/推荐最可落地的是“先过滤、再结构化融合”。长期画像可由帖子主题、作者和文本一致性筛选；短期画像取当前会话查询、点击与停留；协同信号从 item 转移图有限步游走。三类信号形成小型用户图后，可先注入现有双塔或精排网络，不必直接部署 7B 模型。
消费方式决定参数：音乐、短视频增加短期权重；长文、课程或游戏扩大长期窗口。游走必须限长，z=10 后下降说明扩散过远会稀释个性化。工程上应缓存局部图和 item 描述，增量更新近期行为，监控节点数、构建耗时、推理延迟和冷启动覆盖。37.1M 可训练参数的 LoRA/GNN/projector 比全参训练现实，但约 2.34 秒/用户仍远高于常规推荐 SLA，更适合作为离线蒸馏教师、候选重排器或高价值低 QPS 场景。
TriSSR 针对 Transformer 自注意力的低通特性导致序列表示过平滑、短期兴趣波动被压制的问题，采用高效状态空间模型作为骨干。它用三频段滤波器分解短期、周期与长期行为，引入对数频率基的时间傅里叶编码器，并通过三专家门控融合频域、时间域和序列状态信息，在多个大规模真实数据集上验证多尺度偏好建模能力。
INSIGHT把行为序列按频率而非仅按时间窗口拆分，是该方法对推荐系统最值得借鉴的部分：高频对应突发兴趣，中频对应周期习惯，低频承载稳定偏好。社区场景可在现有序列模型旁增加轻量频域分支和时间间隔编码，再由门控按请求动态融合，以较低复杂度缓解长序列注意力的过平滑与二次计算开销。
该工作聚焦序列推荐中长期兴趣缺乏多样性、短期兴趣变化快以及二者层级关系难以统一表达的问题，提出端到端的层级长短期偏好模型。模型不是简单把两类表示相加，而是显式捕捉稳定偏好与即时意图之间的层级依赖，用于预测用户下一次交互，适合具有明显兴趣漂移和多时间尺度行为的内容平台。
INSIGHT长期画像应当作为短期兴趣的条件和约束，而非与最近行为等权融合；这一层级关系能减少偶发点击对画像的污染。社区业务可把长期主题分布作为上层先验，把会话内查询、浏览和互动作为下层动态状态，并在线监控门控权重，判断推荐结果究竟由稳定偏好还是当下意图驱动。
论文面向个性化新闻推荐中的动态兴趣、准确率与多样性平衡及冷启动退化，利用用户行为序列嵌入刻画兴趣演化，并以多任务框架联合优化点击意图预测和兴趣分布学习。作者报告相对基线的 AUC、NDCG@5 与 CTR 分别提升 12.4%、10.7% 和 8.9%，说明辅助兴趣任务可改善共享表示。
INSIGHT将点击预估与兴趣分布学习绑定，比单一 CTR 损失更容易让表示保留可解释的用户偏好结构，也能为冷启动提供额外监督。迁移到社区场景时，可把点击、停留、收藏和主题分布设计为共享底座上的多任务头，同时使用不确定性或动态权重平衡任务，避免高频点击标签压制稀疏但高价值的互动信号。
IndeedIndeed 的工程实践讨论如何把用户长尾行为蒸馏为可扩展嵌入，用于职位搜索中的推荐和排序。文章指出，直接聚合职位标题词会让“software”等泛化词获得过高权重，从而掩盖用户持续而具体的求职意图；其方案通过行为蒸馏压缩长历史，在在线系统可承受的表示规模内保留稳定偏好。
INSIGHT长行为序列的关键不是无损保存全部事件，而是压缩时保住能区分用户的长尾信号，并削弱高频通用特征。社区搜索可把历史帖子、话题和作者交互蒸馏成固定维度画像，与当前查询表征分开维护；离线以检索或排序蒸馏损失训练，在线只读取紧凑向量，兼顾个性化收益、存储成本和尾延迟。
Alibaba Cloud这篇工程指南给出基于 Alibaba Cloud PAI、MaxCompute、EAS 与 DataWorks 构建实时电商推荐服务的完整路径，覆盖行为数据加工、候选生成、已曝光内容去重、用户和商品特征读取、排序以及在线 API 部署。它强调生产推荐不是单个模型，而是数据、召回、过滤、特征、排序和服务编排共同组成的持续迭代系统。
INSIGHT对社区个性化最直接的启示是把模型迭代放进可观测的端到端流水线：曝光去重、特征新鲜度和服务稳定性往往与离线模型精度同样重要。可借鉴其分层架构，将离线行为加工、近线画像更新和在线排序解耦，并为每层记录候选缩减率、特征延迟和请求耗时，便于定位 CTR 波动来源。