- 1. PCR-CA: Parallel Codebook Representations with Contrastive Alignment for Multiple-Category App Recommendation · 📖 深度解读
针对应用商店中“多品类 App”传统类目体系无法刻画语义重叠、导致个性化效果差的问题，提出 PCR-CA 端到端 CTR 框架。先从 App 文本抽取多模态 embedding，再用并行码本 VQ-AE（区别于 RQ-VAE 的层级残差量化）在多个码本上并行学习离散语义表征，独立编码玩法、画风等不同侧面；并在用户与物品两侧引入对比对齐损失增强长尾表征，配合双注意力融合 ID 特征与语义特征…
出现于日报：06-16
- 2. Beyond Positive Signals: Unlocking Implicit Negative Behaviors for Enhanced Sequential User Modeling · 📖 深度解读
现代 CTR 预估普遍只用正向行为（点击、购买、完播）构建用户行为序列，而数量更庞大的隐式负反馈（划过、跳过、低完播）被忽视。论文提出按时间戳把正负行为混合成单一序列，并设计 Target-Aware Polarity Fusion (TAPF) 门控：对每个候选做 target-aware 交互、内容自适应 sigmoid 门控，再按极性符号做带符号残差融合，把正向 token 推向目标、负向 token 推离目标…
出现于日报：06-17
- 3. Implicit Reasoning for Large Language Model-based Generative Recommendation · 📖 深度解读
针对 LLM 做生成式推荐（GR）时用 Semantic ID 表示物品、破坏 LLM 自然语言推理接口的问题，论文系统拆解显式推理（CoT + rationale）训练流程，指出三大缺陷：世界知识表达被削弱、SID 与自然语言 token embedding 空间错位、对 rationale 质量敏感。据此提出轻量隐式推理范式 PauseRec，无需采集推理链、无需推理对齐训练…
出现于日报：06-16
- 4. PIANO: Personalized Reranking via Information Aggregation Node for Music Search Optimization · 📖 深度解读
音乐搜索重排需同时对齐用户当前 query 与长期偏好，并联合优化 CTR 与 CVR，但已有序列方法只用 item 交互历史、无法用历史 query 判断哪些偏好匹配当前意图，且多数 listwise 模型只优化单目标。论文提出 PIANO：Query-Driven Interest Refiner (QDIR) 用当前 query 对历史 query 序列做 cross-attention 筛选相关历史交互、融合长短期兴趣…
出现于日报：06-17
- 5. Designing Recommendation Exposure and Favorite Lists: A Field Experiment in a Spot-Work Platform · 📖 深度解读
面向零工平台（日本最大零工平台 Timee）推荐场景：用户收藏岗位模板、企业发布对应班次时收到通知。作者发现一味最大化预测收藏会让推荐过度集中在热门但实际开班很少的模板上，而有用工缺口的模板曝光不足。论文提出阈值资格控制 TEC（thresholded eligibility control），按发布活跃度与未填补缺口重新分配模板曝光，且完全可并行、适配大规模平台…
出现于日报：06-18
- 6. RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation · 📖 深度解读
针对十亿节点规模图检索中“图构建—表征学习—在线服务”三个环节长期被孤立优化的问题，Meta 提出 RankGraph-2，把三阶段联合设计用于相似度检索（U2U2I 与 U2I2I）。核心做法：用带流行度偏置校正的子采样把数百万亿条边压到数千亿条，用 personalized PageRank 预计算多跳邻居，并把残差量化的聚类索引共同训练进检索目标，使在线服务计算成本下降 83%…
出现于日报：06-19
- 7. When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
隐式反馈中的误点击、曝光偏置会污染推荐训练，主流去噪用 small-loss 启发式（loss 大即视作噪声而降权）。论文从流行度偏置视角重审该启发式：长尾正样本因稀疏更难拟合、loss 天然偏大，单调按 loss 降权会误伤“干净但难学”的长尾信号、加剧头尾失衡。作者用“有效头尾信号比”形式化该交互，证明当尾部正样本 loss 分布右移时 small-loss 降权会拉高头尾比…
出现于日报：06-16
- 8. OneRank: Unified Transformer-Native Ranking Architecture for Multi-Task Recommendation
工业排序已从 DNN 转向 Transformer，但仍把 Transformer 当作任务无关编码器、与多任务预测头解耦，导致信息瓶颈、梯度干扰（跷跷板）和“动态注意力表征→静态前馈预测”的数据流割裂。论文提出 OneRank：为每个候选配 K 个任务私有 token，用结构化注意力掩码实现任务条件信息选择、候选感知上下文化与可控跨任务交互（前向传递知识）…
出现于日报：06-17
- 9. Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators · 📖 深度解读
研究生成式推荐是否会加深信息茧房。生成式推荐用 Semantic ID（SID）序列替代原子 item ID，其茧房效应此前不明。作者提出 RecLoop——由 LLM 用户智能体驱动的闭环仿真框架，在两个 Amazon 数据集上对比两类生成式推荐与两类传统序列推荐，并提出模型层指标 Code-Space Structural Cocoon 衡量生成 SID 空间的集中度…
出现于日报：06-18
- 10. MUSE: A Simple Yet Effective Multimodal Search-Based Framework for Lifelong User Interest Modeling · 📖 深度解读
MUSE 针对终身用户兴趣建模长期依赖 ID 特征、在长尾物品上泛化差的问题，系统研究多模态信号在两阶段检索框架（GSU 通用搜索单元 / ESU 精确搜索单元）中的作用。结论是 GSU 阶段用轻量级余弦相似度配合高质量多模态 embedding 即可，ESU 阶段才需要更丰富的多模态序列建模与 ID-多模态融合。已在淘宝展示广告系统部署，支持 10 万长度的用户行为序列建模，线上 top-line 指标显著提升且新增延迟可忽略…
出现于日报：06-15