- 1. RecGPT-Mobile: On-Device Large Language Models for User Intent Understanding in Taobao Feed Recommendation · 📖 深度解读
针对淘宝信息流推荐中云端 LLM 推理成本高、用户意图变化快的痛点，提出 RecGPT-Mobile：把 Qwen3-0.6B-Quant 通过 LoRA 微调加 8-bit 量化部署到手机端，用本地行为数据动态生成下一步检索 query。训练数据按 60% 行为驱动 + 20% 共购 + 15% LLM 增广 + 5% 人工标注混合。在淘宝四个 feed 场景千万级 A/B 实验中…
出现于日报：05-08
- 2. Intelligent Elastic Feature Fading: Enabling Model Retrain-Free Feature Efficiency Rollouts at Scale · 📖 深度解读
工业大规模排序系统依赖数千个跨多时间窗口的用户行为特征，特征效率上线常需重训模型，导致 3–6 个月迭代周期与可观 GPU 消耗。本文提出 IEFF（Intelligent Elastic Feature Fading）这一生产级基础设施，能在 serving 端弹性控制特征覆盖与分布，配合周期性重训完成增量适配，无须显式触发重训。系统内置严格安全护栏、可逆机制与全链路监控以保障稳定性…
出现于日报：05-05
- 3. One Pass, Any Order: Position-Invariant Listwise Reranking for LLM-Based Recommendation · 📖 深度解读
InvariRank 解决 LLM 列表式重排对候选项顺序敏感的问题：相同候选集换序后排名差异显著。方法用结构化注意力掩码屏蔽候选间的 cross-attention，并通过共享旋转位置编码 (RoPE) 把每个候选都视作出现在同一位置，从而抵消位置带来的打分偏差。一次前向即可对全部候选打分，速度等同传统方案，但排序结果在任意顺序下保持稳定。论文已被 SIGIR 2026 接收，代码开源。
出现于日报：05-04
- 4. Beyond Static Best-of-N: Bayesian List-wise Alignment for LLM-based Recommendation · 📖 深度解读
现有 LLM4Rec 多用 token 级目标，难以直接优化 NDCG、Fairness 等列表级不可微指标；推理时 Best-of-N 虽能优化但成本极高。BLADE 用贝叶斯框架动态融合历史先验与当前 rollout 证据：F̂(r)=(N_ref^<r + τ·N_batch^<r)/(M+τ·G)，最优 τ≈0.3。在 Amazon-CDs/Steam/Goodreads 上 NDCG@5 较 BoN 对齐基线提升…
出现于日报：05-08
- 5. CapsID: Soft-Routed Variable-Length Semantic IDs for Generative Recommendation · 📖 深度解读
生成式推荐的瓶颈在于 Semantic ID tokenizer：传统 RVQ 在每层用硬最近邻分配会在簇边界处丢失多语义并把早期错误传染到后续 token。CAPSID 用胶囊路由替代硬 RVQ：每层物品概率路由到多个语义胶囊，残差由路由重建更新而非单一 winning code，置信度足够时变长 SID 自然终止；并辅以 SemanticBPE 把高频 SID 子序列合并为可复用 subword…
出现于日报：05-08
- 6. Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation
针对自注意力序列推荐计算/显存复杂度 O(n²)，难以建模长用户历史的问题，提出 ConvRec：用 strided 卷积层级下采样替代 self-attention，首层 kernel=2，后续层 kernel=5/7，配合两个可学习残差权重 α₁, α₂（初始 0.5）。在 Amazon Fashion/Men/Games/Beauty 四个数据集上对比 SASRec、BERT4Rec：Beauty HR@10 从 0.485…
出现于日报：05-08
- 7. FEDIN: Frequency-Enhanced Deep Interest Network for Click-Through Rate Prediction · 📖 深度解读
针对序列推荐中用户行为时域噪声大、难以捕捉周期性兴趣的问题，提出 FEDIN 在频域引入 target-aware 的谱滤波分支增强 DIN。核心观察是：当用 target item 条件化用户注意力分数时，正样本对应的频谱熵显著低于负样本，说明真实兴趣呈低熵周期模式而噪声呈高熵分布。FEDIN 用频域分支隔离与目标商品共振的周期信号，再与时域 DIN 融合用于 CTR 预估。
出现于日报：05-06
- 8. LLM-Enhanced Topical Trend Detection at Snapchat · 📖 深度解读
Snapchat 在端到端短视频平台上线全球范围 LLM 增强的话题趋势检测系统。流水线由三阶段组成：多模态主题抽取（视频/文本/标签融合）、时间序列爆点检测（基于历史基线的 burst score）、LLM 二次整合与丰富（去重、命名、扩充元数据）。线上六个月人评显示有效，下游接入内容排序与搜索后，内容时效性和用户互动指标均有可量化提升。
出现于日报：05-04
- 9. Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment · 📖 深度解读
针对推荐系统作者/供给侧曝光公平问题，提出 PFA：在冻结的主推荐模型外挂一个轻量「公平 adapter」，用 user-item embedding 学习个性化的加性分数偏置注入到原始排序分中，无需重训主模型即可适配多种公平目标。训练目标是最小化实际曝光分布与目标公平曝光分布的 KL 散度，并通过层级化曝光对齐避免打散头部高质内容。
出现于日报：05-06
- 10. Position-Aware Drafting for Inference Acceleration in LLM-Based Generative List-Wise Recommendation
PAD-Rec 把投机解码（speculative decoding）引入 LLM 生成式列表推荐：核心难点是推荐 token 通常对应多个 item token，传统 draft model 对位置敏感导致接受率低。方法引入 item position embedding 与 step position embedding 让 draft 模型感知 list 内 item 边界与生成步骤，再加可学习门控自适应不同生成步骤的不确定性…
出现于日报：05-04