- 1. From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction · 📖 深度解读
提出 Field-Aware Transformer (FAT)，将字段级交互先验嵌入注意力机制，首次建立 CTR 模型的形式化 Scaling Law。
出现于日报：02-27
- 2. Climber: Toward Efficient Scaling Laws for Large Recommendation Models
提出高效推荐模型扩展框架 Climber，通过多尺度序列提取和动态温度调制实现 Transformer 在推荐系统中的高效 scaling。
出现于日报：02-28
- 3. LLaTTE: Scaling Laws for Multi-Stage Sequence Modeling in Large-Scale Ads Recommendation · 📖 深度解读
验证推荐系统序列建模遵循类 LLM 的幂律缩放定律。
出现于日报：02-25
- 4. OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender · 📖 深度解读
提出统一 Transformer 架构同时处理特征交互和用户行为序列建模。
出现于日报：02-25
- 5. From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models
提出监督特征生成（SFG）框架，将 CTR 预估从判别式「特征交叉」范式转向生成式「特征生成」范式。
出现于日报：02-28
- 6. HiSAC: Hierarchical Sparse Activation Compression for Ultra-long Sequence Modeling in Recommenders · 📖 深度解读
提出层级稀疏激活压缩框架，高效建模推荐系统中超长用户行为序列，已在淘宝线上部署。
出现于日报：02-26
- 7. MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
基于 HSTU 架构构建美团工业级生成式推荐框架 MTGR，在保留传统深度学习交叉特征的同时实现生成式推荐的可扩展性。
出现于日报：02-27
- 8. Offline Reasoning for Efficient Recommendation: LLM-Empowered Persona-Profiled Item Indexing
提出 Persona4Rec，利用 LLM 离线推理构建 item 的多角色表征，实现轻量级实时推荐推理。
出现于日报：02-27
- 9. Meta's Generative Ads Model (GEM): The Central Brain Accelerating Ads Recommendation AI Innovation · 📖 深度解读
Meta 发布广告推荐基础大模型 GEM，采用 LLM 级别训练规模，实现 ranking 模型的 Foundation Model 化。
出现于日报：03-01
- 10. From Logs to Language: Learning Optimal Verbalization for LLM-Based Recommendation in Production
用强化学习训练文本化智能体，自动学习将用户交互日志转化为LLM推荐系统的最优自然语言输入。
出现于日报：02-26