- 1. HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems · 📖 深度解读
这篇论文面向快手短视频 Push 场景，解决生成式推荐只能生成单一内容类型、Semantic ID 自回归生成效率低的问题。HGenPush 将多场景、多视角用户行为理解，与视频推荐和作者推荐的双分支异构生成模块合并到端到端框架中，并用多 token 预测替代逐步自回归生成。论文报告已部署在快手 Push 通知系统，带来日活用户数 0.181% 的显著提升。
出现于日报：07-08
- 2. Generative Pseudo-Labeling for Pre-Ranking with LLMs · 📖 深度解读
GPL 关注工业推荐预排序的训练-服务不一致：模型训练只看到已曝光交互，线上却要给大量未曝光候选打分，导致样本选择偏差和长尾内容泛化差。方法用 LLM 离线生成用户兴趣锚点，在冻结语义空间中与候选匹配，为未曝光物品生成内容感知伪标签，不增加线上延迟。论文报告在大规模生产系统部署后 CTR 提升 3.07%，同时改善多样性和长尾发现。
出现于日报：07-08
- 3. HiSAC: Hierarchical Sparse Activation Compression for Ultra-long Sequence Modeling in Recommenders · 📖 深度解读
HiSAC 针对超长用户行为序列在生产环境中受延迟和内存限制、难以端到端建模的问题，提出分层稀疏激活压缩框架。它把交互编码为多层 Semantic ID，构建全局分层码本，再通过投票稀疏激活个性化 interest-agents，并用 Soft-Routing Attention 在语义空间聚合历史信号。论文称已部署在淘宝“猜你喜欢”首页，线上 A/B 测试获得稳定 1.65% CTR 提升。
出现于日报：07-08
- 4. UniSGR: Unified Framework for Semantic ID Generation and Ranking
UniSGR 针对生成式检索能缓解多阶段级联复杂度、但难以支持细粒度多目标排序的问题，提出 Semantic ID 生成与排序统一框架。它先做多场景预训练，再做场景对齐，联合优化 Value-Aware Parallel Multi-Token Prediction 和统一多目标排序模块；同时引入 Task-Aware Tokens、Funnel-Aware Contrastive Learning…
出现于日报：07-08
- 5. POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation · 📖 深度解读
POEM 针对实时推荐中用户兴趣漂移和上下文变化的问题，把多阶段排序链路里的预测 CTR、预测观看时长等上游分数转成动态偏序序列。方法包含按实时排序分动态分组采样、多目标分数融合、层次化样本学习、图挖掘 hard negative 与 margin pairwise loss，使序列模型不只依赖静态点击历史。论文直接面向工业推荐级联链路，适合短视频、信息流和社区内容推荐中的实时重排场景。
出现于日报：07-06
- 6. CanniUplift: A Holistic Framework for Mitigating Seller and Incentive Cannibalization in E-commerce Uplift Modeling
CanniUplift 面向电商个性化激励分配，指出多商家场景中传统 uplift 模型会受到卖家间替代和激励噪声影响。框架用 Platform-level Global Alignment 约束全局 GMV 一致性，用 Redemption-based Decomposition Denoising 分解处理组结果并降低归因噪声，再用 Treat-Attention 建模用户历史行为与当前激励的交互…
出现于日报：07-08
- 7. Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval · 📖 深度解读
这篇论文改进大规模推荐双塔召回训练中的负采样问题：常见 in-batch 或 out-of-batch 负样本过易，模型很快学会，难以提升区分能力。作者用 LLM 学到的媒体表征做聚类，在训练时从同簇生成实时 hard negatives，框架面向数十亿训练样本并控制额外计算复杂度。论文报告在公开数据集和大规模线上系统中均优于行业常用负采样方案。
出现于日报：07-06
- 8. MCLMR: A Model-Agnostic Causal Learning Framework for Multi-Behavior Recommendation
MCLMR 面向多行为推荐，处理浏览、点击、购买等多种互动带来的混杂偏差、辅助行为聚合困难和语义鸿沟问题。框架先构建因果图并做干预，以获得更无偏的偏好估计；再用基于 MoE 的 Adaptive Aggregation 动态融合辅助行为，并通过 Bias-aware Contrastive Learning 对齐跨行为表示。论文在 3 个真实数据集和多种基线模型上验证了通用增益，并承诺开放数据与代码。
出现于日报：07-08
- 9. Long-Term Optimization for Large-Scale Generative Retrieval with Off-Policy REINFORCE
这篇论文把大规模生成式检索推荐建模为 session 级序列决策问题，而不是只优化下一物品预测。方法用离线日志训练 off-policy REINFORCE，提出多步重要性权重近似，并训练用户反馈模型来模拟对生成推荐的响应，从而把 doubly robust 离线评估扩展到序列推荐。实验在公开 Yambda-5B 数据集上显示，RL agent 提升累计 session reward 的离线估计，同时基本保留检索质量。
出现于日报：07-08
- 10. DPIFrame: A Dual-Level Parallelism Acceleration Framework for CTR Model Inference
DPIFrame 面向 CTR 模型线上推理效率，指出深度 CTR 模型的串行计算模式与 GPU 并行结构之间存在错配。系统提出模块内和模块间双层并行、面向 embedding 操作的多表 lookup 算法，以及广度优先的 GPU stream 调度。两组真实数据集实验显示，embedding 延迟相比 PyTorch 降低 23.0 倍…
出现于日报：07-06