- 1. IAT: Instance-As-Token Compression for Historical User Sequence Modeling in Industrial Recommender Systems · 📖 深度解读
针对工业推荐系统中用户历史序列建模的信息瓶颈问题，提出 Instance-As-Token (IAT) 两阶段压缩框架。第一阶段将每次交互的全部特征（约6000维）压缩为64维统一实例 embedding，支持时序和用户两种压缩模式；第二阶段通过标准序列建模学习长程偏好模式。在字节跳动的电商广告、商场营销、直播电商等多个真实场景部署，AUC 提升 +0.31%，广告主分数在线 A/B 提升 +1.557%，GMV 提升 +0.151%。
出现于日报：04-14
- 2. GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm · 📖 深度解读
针对传统 DLRM 在用户行为序列建模上的不足，提出 GRAB——一种受 LLM 启发的 sequence-first CTR 预估范式。核心创新是 Causal Action-aware Multi-channel Attention (CamA) 机制，能同时捕捉时序动态和用户行为中的特定动作信号。在百度全量线上部署后，收入提升 3.05%、CTR 提升 3.49%，且推理成本与原有 DLRM 持平…
出现于日报：04-13
- 3. Deep Situation-Aware Interaction Network for Click-Through Rate Prediction · 📖 深度解读
该论文针对电商平台 CTR 预估中用户行为序列建模问题，提出了"情境"(situation) 的概念，将行为类型、时间、地点等交互上下文信息整合到用户行为表征中。DSAIN 模型通过重参数化技巧降低原始行为序列噪声，利用特征 embedding 参数化和三方向关联融合学习情境特征 embedding，并通过异质情境聚合获得最终行为序列表示。在美团外卖平台的在线 A/B 测试中，CTR 提升 2.70%，CPM 提升 2.62%…
出现于日报：04-16
- 4. GRADE: Personalized Multi-Task Fusion via Group-relative Reinforcement Learning with Adaptive Dirichlet Exploration · 📖 深度解读
针对推荐系统多任务融合中'一刀切'权重无法适配异质用户群体的问题，提出 GRADE 个性化多任务融合框架。通过组相对强化学习将用户分组并为各组学习个性化融合策略，结合自适应 Dirichlet 探索平衡探索与利用。在快手应用内搜索场景全量上线，日活用户数亿级，A/B 实验取得 CTR +0.595%、CVR +1.193%、OPM +1.788%、订单量 +1.568% 的显著提升。
出现于日报：04-14
- 5. SID-Coord: Coordinating Semantic IDs for ID-based Ranking in Short-Video Search · 📖 深度解读
针对短视频搜索排序中哈希 ID（HID）模型在长尾 item 上泛化能力差的问题，提出 SID-Coord 框架，将可训练的离散 Semantic ID（SID）直接嵌入 ID-based 排序模型。SID 通过残差量化从多模态内容中学习，配合 SID-HID 协调损失实现语义泛化与行为记忆的平衡。该方法在大规模短视频搜索系统中部署，离线指标和线上 A/B 测试均有显著提升。
出现于日报：04-15
- 6. xMTF: A Formula-Free Model for Reinforcement-Learning-Based Multi-Task Fusion in Recommender Systems
针对推荐系统多任务融合（MTF）中现有 RL 方法受限于预定义公式形式的问题，提出 xMTF 无公式 MTF 框架。利用 Sprecher 表示定理证明任意融合函数可分解为单变量单调函数的组合，从而将搜索空间从有限的公式参数扩展到任意函数空间。结合两阶段混合（TSH）训练策略有效训练。在快手平台部署，服务超 1 亿用户，离线实验总观看时长较最强基线提升约 7%。
出现于日报：04-14
- 7. SOLARIS: Speculative Offloading of Latent-bAsed Representation for Inference Scaling · 📖 深度解读
Meta 提出的 SOLARIS 框架借鉴 LLM 推测解码的思想，解决推荐系统基础模型推理延迟过高无法在线服务的难题。核心思路是预测未来可能出现的 user-item 交互对，提前异步计算基础模型的 embedding 表征，将高成本推理与延迟敏感的在线服务路径解耦。该系统已部署在 Meta 广告推荐平台，覆盖每日数十亿请求，带来约 0.67% 的收入指标提升。
出现于日报：04-16
- 8. Beyond Dense Connectivity: Explicit Sparsity for Scalable Recommendation · 📖 深度解读
发现工业 CTR 模型中大部分学到的连接权重趋向于零、仅少数权重显著，揭示了稠密架构与稀疏推荐数据之间的结构性失配。提出 SSR (Explicit Sparsity for Scalable Recommendation)，采用 filter-then-fuse 机制：Static Random Filter 实现高效结构稀疏，Iterative Competitive Sparse (ICS) 实现自适应维度选择…
出现于日报：04-13
- 9. LLM-HYPER: Generative CTR Modeling for Cold-Start Ad Personalization via LLM-Based Hypernetworks
针对在线广告平台新推广广告缺乏用户反馈的冷启动问题，提出将 LLM 作为超网络（Hypernetwork）直接生成 CTR 预估模型参数的框架 LLM-HYPER。通过 few-shot Chain-of-Thought 提示处理多模态广告内容（文本+图片），利用 CLIP embedding 检索语义相似的历史广告作为 prompt 示例，LLM 推理生成线性 CTR 预估器的特征权重…
出现于日报：04-16
- 10. Is Sliding Window All You Need? An Open Framework for Long-Sequence Recommendation
该工作证明了在学术级别的计算资源上进行长序列推荐训练不仅可行而且有效。发布了完整的端到端框架，包含数据处理、训练和评估全套脚本，实现了工业级的滑动窗口长序列训练。主要贡献包括：(1) 运行时感知的消融实验，量化了不同窗口大小和步幅下的精度-计算前沿；(2) k-shift embedding 层，以极小的精度损失支持百万级词表在消费级 GPU 上训练。实验取得了 MRR +6.04%、Recall +6.34% 的提升。
出现于日报：04-16