- 1. OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation · 📖 深度解读
OneRanker 提出在广告推荐系统中，将生成（召回）和排序在同一个模型中深度融合的架构。通过价值感知的多任务解耦架构（任务 token + 因果 mask），在共享表征空间内分离兴趣覆盖和价值优化目标，有效缓解生成与排序阶段的信息断裂问题。
出现于日报：03-05
- 2. MSN: A Memory-based Sparse Activation Scaling Framework for Large-scale Industrial Recommendation
提出基于大规模参数化记忆的稀疏激活框架 MSN，通过 Product-Key Memory 实现亚线性复杂度的个性化表征检索，已部署于抖音搜索排序系统。
出现于日报：03-02
- 3. Exploring Scaling Laws of CTR Model for Online Performance Improvement
提出 SUAN 统一注意力网络和轻量版 LightSUAN，将 LLM 的 Scaling Law 范式迁移到 CTR 预估模型，已在美团线上部署。
出现于日报：03-02
- 4. SOLAR: SVD-Optimized Lifelong Attention for Recommendation
SOLAR 利用推荐系统中矩阵天然的低秩结构，提出 SVD-Attention 机制，在理论上对低秩矩阵无损，保留 softmax 的同时将注意力复杂度从 O(N²d) 降至 O(Ndr)。实现了终身（Lifelong）用户行为序列建模，能处理超长序列而不需截断。
出现于日报：03-05
- 5. IDProxy: Cold-Start CTR Prediction for Ads and Recommendation at Xiaohongshu with Multimodal LLMs · 📖 深度解读
利用多模态大语言模型为新物品生成代理 ID embedding，解决广告和推荐中冷启动 CTR 预估问题。
出现于日报：03-04
- 6. MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
MAC 是首个支持多归因机制（Multiple Attribution）标签的 CVR 预估公开数据集。同时开源了 PyMAL 库覆盖主流 multi-attribution learning (MAL) 方法。实验发现 MAL 在长转化路径用户上效果尤为显著，且性能增益随目标数量正向扩展。
出现于日报：03-05
- 7. Zenith: Scaling up Ranking Models for Billion-scale Livestreaming Recommendation
Zenith 提出了面向十亿级直播推荐的排序模型 scaling 方案。核心思路是将高维稀疏特征投影为少量高维 Prime Token，通过 Token Fusion 和 Token Boost 模块实现高效特征交叉，展现出优于 SOTA 的 scaling law。已部署于 TikTok Live。
出现于日报：03-05
- 8. Scaling Laws for Reranking in Information Retrieval
首次系统研究重排序模型的 Scaling Law，覆盖 pointwise、pairwise、listwise 三种范式。实验表明 NDCG 和 MAP 等指标随模型规模增长遵循可预测的幂律关系，可用小模型实验预测大模型性能。
出现于日报：03-06
- 9. Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
提出 HarmonRank 框架，将多目标排序融合重新定义为排名一致性优化问题，实现端到端可微的多目标排序集成。
出现于日报：03-03
- 10. Pailitao-VL: Unified Embedding and Reranker for Real-Time Multi-Modal Industrial Search
阿里巴巴拍立淘团队提出 Pailitao-VL 多模态检索系统，解决当前方案在检索粒度不足、embedding 与 reranker 架构割裂、以及 pointwise reranker 缺乏全局比较能力三大问题。核心创新：(1) 将 embedding 训练从对比学习转为绝对 ID 识别任务，显著提升细粒度区分能力；(2) 将 reranker 从 pointwise 评分升级为 compare-and-calibrate 的…
出现于日报：03-07