- 1. Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough · 📖 深度解读
针对 LLM 语义 embedding 与协同过滤表示的融合范式，论文质疑了主流的“全局对齐”假设——即两者编码同一隐变量、对齐越强效果越好。作者将其形式化为“全局低复杂度对齐假设”并证明该假设过强，常与真实推荐场景结构错配。论文提出一种“共享+私有”的隐结构视角，把语义视图与协同视图视为部分共享但本质异构、各自携带视图特定因子，并据此设计了不强制全局几何对齐的融合方案…
出现于日报：04-28
- 2. ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems · 📖 深度解读
面向 LLM-as-feature-extractor 范式：作者提出 ProMax，将 LLM 生成的用户/物品 profile 作为辅助信号注入推荐主模型，但摒弃常用的非线性对齐与融合策略，转而从「检索视角」重新审视 profile，引入双向 distribution shaping 机制——用 dense retrieval 暴露 profile 之间的协同关系，再让 profile 分布反向引导主模型对未见物品的偏好分布…
出现于日报：05-01
- 3. Understanding DNNs in Feature Interaction Models: A Dimensional Collapse Perspective · 📖 深度解读
为「DNN 在 CTR/特征交互模型里到底起什么作用」这一长期争论提供新解释：作者通过对 parallel-DNN（如 DCN-V2）和 stacked-DNN（如 DeepFM）做整体与组件级消融，结合梯度理论分析，证明 DNN 的真正贡献并非隐式学高阶交叉，而是缓解 embedding 表征的「维度坍缩」（dimensional collapse），从而提升表示鲁棒性…
出现于日报：05-01
- 4. Objective Shaping with Hard Negatives: Windowed Partial AUC Optimization for RL-based LLM Recommenders · 📖 深度解读
论文从理论视角分析了用 RL 优化 LLM 推荐器时为何 beam-search 负样本比随机负样本好。作者证明：(i) 在二元奖励下，使用 GRPO 优化 LLM 推荐器在理论上等价于最大化 ROC-AUC，但与 Top-K 推荐目标错配；(ii) 把随机负样本替换为 beam-search 负样本会把目标重塑为 Partial AUC，与 Top-K 指标对齐更好…
出现于日报：04-28
- 5. Kwai Summary Attention Technical Report
针对推荐系统中长用户行为序列带来的 softmax 注意力二次复杂度瓶颈，快手提出 Kwai Summary Attention，通过对历史序列进行 token 级摘要压缩并与稀疏检索式注意力结合，实现 KV cache 与序列长度解耦。报告披露了在工业级长序列推荐场景下的训练与推理优化，将训练/推理成本随序列长度的恶化趋势显著缓解，同时保持下游召回排序指标。
出现于日报：04-29
- 6. Versioned Late Materialization for Ultra-Long Sequence Training in Recommendation Systems at Scale · 📖 深度解读
针对 DLRM 超长用户行为序列训练时存储与 I/O 成为瓶颈、超过 GPU 训练算力的问题，本文提出 Versioned Late Materialization 范式：将 UIH 在归一化、不可变层中只存一份，训练时通过轻量化的版本指针即时重建序列。系统通过双协议保证流式与批量训练下的 O2O 一致性，并设计读优化的索引层支持多模型共享数据…
出现于日报：04-30
- 7. Similar Users-Augmented Interest Network · 📖 深度解读
CTR 预估高度依赖用户历史行为序列，但实际系统中行为稀疏、序列残缺普遍存在。SUIN 在目标用户自身序列之外引入“相似用户”的行为作为补充：通过行为 embedding 检索 top-K 相似用户，将其行为子序列与目标用户序列联合输入兴趣网络，对稀疏冷启用户给出更完整的画像，公开数据集上 AUC 显著优于仅用自身序列的 DIN/SIM 等基线。
出现于日报：04-29
- 8. ReCast: Recasting Learning Signals for Reinforcement Learning in Generative Recommendation
论文指出 GRPO 等基于 group 的 RL 在生成式推荐里有一个常被忽视的失败模式：稀疏命中场景下大量 rollout group 全部命中失败（all-zero reward），归一化后变成无效梯度信号。作者提出 ReCast“先修复后对比”框架：先对 all-zero group 注入最弱可学习信号恢复梯度可用性，再用 boundary-focused 对比更新替换 full-group reward…
出现于日报：04-28
- 9. Mixture of Sequence: Theme-Aware Mixture-of-Experts for Long-Sequence Recommendation · 📖 深度解读
针对长用户行为序列里『session hopping』（兴趣在 session 间突变、不连续）的问题，提出 Mixture of Sequence (MoS)：用 codebook+EMA 的主题感知路由保证语义一致的子序列被同一 expert 处理（Proposition 1），并以 Global/Item/Window 三类 expert 多尺度融合…
出现于日报：04-27
- 10. Beyond Static Collision Handling: Adaptive Semantic ID Learning for Multimodal Recommendation at Industrial Scale
工业级推荐中海量多模态物品的 Semantic ID (SID) 量化常因 token 冲突而损失语义保真度。AdaSID 提出两阶段自适应框架：第一阶段对“语义兼容”的冲突放松排斥，第二阶段对仍冲突的项再做高分辨率重编码，从而区分该抑制还是该保留 overlap，工业规模实验显示在召回 Recall@K、检索效率上优于固定正则的 RQ-VAE/RQ-Kmeans 基线。
出现于日报：04-29