- 1. Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices · 📖 深度解读
本文系统介绍了 Snapchat 在推荐系统中部署 Semantic IDs (SIDs) 的工业实践。SID 是一种有序编码列表，通过残差量化等分词器从语义表征中提取，相比传统原子 ID 具有更小的基数和更好的语义聚类特性。论文涵盖了 SID 在排序模型辅助特征和新检索源等多个场景中的应用，分享了 tokenizer 设计、层级编码结构、冷启动处理等关键工程决策。
出现于日报：04-08
- 2. MBGR: Multi-Business Prediction for Generative Recommendation at Meituan · 📖 深度解读
针对工业级生成式推荐在多业务场景下面临的「跷跷板效应」（NTP 无法捕捉跨业务行为模式）和「表征混淆」（统一 SID 空间混淆不同业务语义）两大关键问题，提出 MBGR 框架。核心设计包括：(1) 业务感知 Semantic ID (BID) 模块通过领域感知 tokenization 保持语义完整性；(2) 多业务 token 预测框架捕捉跨业务行为依赖。该工作是首个面向多业务场景设计的生成式推荐框架，已在美团工业系统中部署验证。
出现于日报：04-07
- 3. KernelEvolve: How Meta's Ranking Engineer Agent Optimizes AI Infrastructure · 📖 深度解读
Meta 发布 KernelEvolve，一个自主生成和优化底层硬件 kernel 的 AI agent，专门针对排序模型（如广告推荐模型 Andromeda）的推理和训练加速。该系统将 kernel 优化视为结构化搜索问题，结合 LLM 代码合成器、树搜索引擎、硬件文档知识库和强化学习，在 NVIDIA GPU 上实现推理吞吐量提升 60%，在 Meta 自研 MTIA 芯片上实现���练吞吐量提升 25%…
出现于日报：04-06
- 4. 2026 大模型×智能体×搜广推深度调研报告
系统性梳理 2024–2026 年大模型在搜索推荐广告全链路的工业实践。涵盖 Meta HSTU/GEM 架构（Instagram 广告转化率 +5%）、字节 LHSTU、美团生成式推荐、NVIDIA 与美团合作的 HSTU 加速方案等核心案例。同时覆盖 CTR 预估、多目标优化、冷启动等关键问题的 LLM 解决方案，以及从 MoE 到端到端生成式模型的架构演进路线…
出现于日报：04-07
- 5. Jump Start or False Start? A Theoretical and Empirical Evaluation of LLM-initialized Bandits · 📖 深度解读
系统性研究利用 LLM 生成的用户偏好数据对 contextual bandits 进行 warm-start 的效果与边界。实验发现：在偏好对齐的场景中，warm-start 在数据损坏率达 30% 时仍有效，40% 时优势消失，50% 以上时反而损害性能。当 LLM 偏好与真实用户存在系统性偏差时，即使无噪声注入，LLM 先验也会导致比冷启动更高的 regret。理论分析将随机噪声和系统性偏差的影响进行了分解量化。
出现于日报：04-07
- 6. Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan · 📖 深度解读
本文提出 Next-Scale Generative Reranking (NSGR)，一种基于树结构的生成式重排方法，解决多阶段推荐系统中重排环节的组合空间复杂度问题。该方法通过多尺度生成策略同时建模局部与全局排列视角，并引入树状生成架构实现从粗粒度到细粒度的渐进式列表生成。在美团搜索推荐场景中部署验证，相比传统生成式重排方法在核心业务指标上取得显著提升。
出现于日报：04-09
- 7. The Unreasonable Effectiveness of Data for Recommender Systems · 📖 深度解读
本文系统研究了推荐系统中训练数据量与离线推荐性能之间的关系。作者使用 LensKit 和 RecBole 两大工具包，在 11 个超过 700 万交互的公开数据集上评估了 10 种算法组合，训练数据量从 10 万扩展到 1 亿交互。实验结果表明 NDCG@10 随数据量增加持续提升，未观察到明显的饱和点——最大样本量下约 75% 的实验点同时达到了组内最优性能。这一发现对推荐系统的数据投资决策具有直接指导意义。
出现于日报：04-10
- 8. Modeling and Controlling Deployment Reliability under Temporal Distribution Shift
提出以部署为中心的可靠性框架，将模型可靠性建模为由判别力（discrimination）和校准度（calibration）组成的动态状态。通过在连续评估窗口间跟踪可靠性轨迹，定义了可量化的波动性指标，并将部署适配形式化为平衡可靠性稳定性与干预成本的多目标控制问题。定义了一系列状态依赖的干预策略（如重训练、重校准），并通过实证分析了不同策略在成本-波动性空间中的帕累托前沿。
出现于日报：04-07
- 9. CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation · 📖 深度解读
Walmart 提出 CASE，一种面向大规模零售场景的复购推荐模型。CASE 的核心创新在于将商品级别的复购节奏（cadence）学习与跨商品交互解耦：用日历时间信号表示每个商品的购买历史，通过共享多尺度时间卷积捕捉周期性复购节奏，再用 induced set attention 以亚二次复杂度建模跨商品依赖。在三个公开基准和 Walmart 千万级用户生产数据上…
出现于日报：04-10
- 10. Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
本文提出一种面向会话推荐的 persona 驱动框架，通过异构知识图谱推断匿名用户的潜在 persona，并结合 LLM 生成丰富的物品表示。框架采用两阶段架构——个性化信息抽取（从 KG 中提取时间、语义、社交等多类型关系推断用户 persona）和个性化信息利用（将 persona embedding 注入会话推荐模型），灵感来源于 chain-of-thought 推荐方法。该方法有效缓解了匿名会话下的冷启动和数据稀疏问题。
出现于日报：04-10