- 1. From Item-Only to Query-Item: Query-Conditioned Generative Search with QGS in Quark · 📖 深度解读
Quark 团队针对搜索场景下生成式序列模型存在的 query 切换语义断裂问题，提出 Query-Conditioned Generative Search (QGS)。把交互历史编码为 (query, item) 对 token，训练目标从有噪声的边际概率 P(item_{t+1}|context_{<=t}) 改为干净的条件概率 P(item_{t+1}|context_{<=t}, query_{t+1})…
出现于日报：05-27
- 2. Memento: Personalized RAG-Style Long-Retention Data Scaling for META Ads Recommendation · 📖 深度解读
Meta Ads 团队针对长历史建模面临的 attention 稀释、系统效率、灾难性遗忘问题，提出 Memento：把用户历史当作文档语料、ad 请求当 query，用 Maximal Marginal Relevance (MMR) 检索兼顾相似度和多样性。分两条线落地：Representation Memento 检索历史 embedding 做特征增强，Data Memento 检索历史训练样本做多遍训练…
出现于日报：05-27
- 3. Discrimination Is Generation: Unifying Ranking and Retrieval from a Tokenizer Perspective
该文针对生成式推荐的核心瓶颈——Semantic ID（SID）由独立的检索目标训练、与个性化信号解耦，导致生成式检索长期落后于判别式排序。作者提出 DIG（Discrimination Is Generation），核心观点是“排序在 item 空间求 argmax、检索在 token 空间求 argmax，二者是同一问题的不同粒度”，据此把 tokenizer 嵌入判别式排序模型做端到端训练，使排序器自然成为检索模型…
出现于日报：05-26
- 4. Equip Pre-ranking with Target Attention by Residual Quantization (TARQ) · 📖 深度解读
淘宝粗排长期被效果 (Target Attention) 与效率 (双塔点积) 的矛盾卡住。TARQ 借鉴生成式模型的 Residual Quantization 思想，把 TA 的能力近似进粗排：用残差量化把 target/history 表征离散化成 codebook 索引，离线缓存 TA 计算结果，线上只做轻量索引查表+残差校正，从而首次把 Target Attention 量级的建模能力放进粗排延迟预算…
出现于日报：05-27
- 5. How Reliable Are Semantic-ID Tokenizer Comparisons in Generative Recommendation? · 📖 深度解读
这篇方法学论文指出当前 SID-based 生成式推荐评测有系统性偏差：tokenizer 把 item 压成离散码序列时，语义相近但协同信号不同的 item 会被分到同一 SID 序列，造成『SID 命中』不等于『item 命中』。作者在 4 个数据集 + 5 个代表性 tokenizer 上测得 collision 命中的 item 占比高达 30.5%，意味着 top-K 指标实际衡量的是 collision group 命中…
出现于日报：05-27
- 6. Large Language Model-Powered Query-Driven Event Timeline Summarization in Industrial Search
百度搜索上线的 QDET 系统针对热点新闻类 query 生成围绕 query 的事件时间线摘要。两个关键设计：(1) 多任务监督微调，引入'时间排序'、'因果判断'、'时间线补全'三个辅助任务，让小模型在该领域达到大模型水平；(2) 基于强化学习的事件简洁摘要，在严格长度约束下保持语义质量，事件摘要长度合规率达到 88.2%。论文报告了基于百万级日文档的生产系统效果数据…
出现于日报：05-28
- 7. MuChator: Enabling Active Music Discovery via Conversational Music LLMs in Douyin Music · 📖 深度解读
抖音音乐百万级 DAU 的 feed 流推荐缺少'主动指定意图'通路，用户对'下雨天通勤想听的歌'这类模糊、场景化的 query 无法直接表达；直接套用 LLM 又面临音乐领域知识不足、音乐-query 协同推理弱、用户偏好理解浅三个问题。作者提出 MuChator，一套交互式 MusicLLM 框架：在通用 LLM 上注入音乐元数据 SFT、构建 query-音乐协同推理的偏好数据集、并引入用户行为序列做个性化适配…
出现于日报：05-28
- 8. HARNESS-LM: A Three-Phase Training Recipe for Harnessing SLMs in Sponsored Search Retrieval
面向赞助搜索召回，大型 SLM 检索器（如 Qwen3-Embedding-4B/8B）在公开榜单上很强但难以在高吞吐、低延迟线上部署。作者提出 HARNESS-LM 三阶段训练：(1) 微调十亿参数级 SLM 作为高性能 teacher 检索器；(2) 用 L2 目标对齐 query 表示，把知识蒸馏进 <600M 参数的 student 编码器；(3) 用对比学习做最终精炼…
出现于日报：05-26
- 9. TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery · 📖 深度解读
个性化分发常为 item 排序、carousel 排序、搜索分别训练模型，但这些任务来自同一用户旅程、信号互补。作者提出 “user story”：把用户跨场景历史（属性、会话、带场景与 carousel 上下文的观看事件、搜索事件）序列化为单一 token 序列，将预训练语言 token 与领域事件 token 交织，使异构推荐与搜索任务都表达为共享语法上的 prompted next-token 预测…
出现于日报：05-26
- 10. DeGRe: Dense-supervised Generative Reranking for Recommendation
针对生成式重排两大顽疾——启发式 label 偏差（简单地把点击 item 拉到列表顶部，忽略列表内因果依赖）和 sparse list-level reward 带来的 credit assignment 模糊，提出 DeGRe (Dense-supervised Generative Reranking)。核心是用 dense 奖励替代稀疏 list-level reward：每一步生成都有显式的局部反馈信号引导…
出现于日报：05-27