- 1. Memory Layer: Train the In-Model Cache for Recommendation Models · 📖 深度解读
针对推荐早排中训练与服务使用不同物品表示的问题，论文把 KV cache 做成可联合训练的 Memory Layer，使物品塔训练时写入、线上直接读取。Instagram Reels 部署后，预测覆盖率从 96% 升至 100%，新内容召回超过 2 倍，冷启动互动提升 5%–6%，训练发布成本下降 30%。
出现于日报：07-30
- 2. PinEqualizer: Full Funnel Content Exploration and Debiasing System at Pinterest · 📖 深度解读
论文针对工业级搜索与推荐中的内容冷启动，把探索与去偏从单点策略扩展到召回、排序等完整漏斗，并同时适配搜索和推荐场景。Pinterest 已连续两年迭代并部署该系统，通过可扩展评测框架连接短期实验与长期影响，显著改善新内容探索、整体互动和内容生态健康；摘要未披露具体提升数值。
出现于日报：07-28
- 3. Multi-Decoder OneRec: Controllable Generative Retrieval for Multi-Objective Industrial Recommendation · 📖 深度解读
论文用共享用户上下文与通用解码器承载多目标召回，再为各目标配置隔离的 LoRA 专家，并以配额约束 Beam Search 控制候选互补性。Kwai26 含 13.1 亿条记录；同为 512 个候选时，四项 Recall@512 提升 1.69%–5.62%，线上新内容冷启动提升 2.09%。
出现于日报：07-31
- 4. Bridging Passive and Active: Enhancing Conversation Starter Recommendation via Active Expression Modeling · 📖 深度解读
针对会话起始词推荐依赖“曝光—点击”闭环、热门泛化查询不断自我强化的问题，PA-Bridge 将用户主动输入的开放查询引入双塔检索，以对抗式分布对齐消除主动 query 与候选 starter 的域偏移，并用 RQ-VAE 离散语义支持流行度去偏。基于 90 天、72 亿条工业样本，离线 AUC 相对提升 6.27%；线上 Starter 渗透率提升 0.54%，用户活跃天数提升 0.04%。
出现于日报：07-27
- 5. Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music · 📖 深度解读
针对持续训练的音乐排序模型把已消费内容反复推高、压制新发行与未听曲目的反馈回路，论文在 YouTube Music 首页比较服务、训练、架构和探索四层共 7 组干预。SNGP 不确定性加权服务使新发行 1 日/7 日互动提升 7.75%/3.30%，但艺人多样性下降 0.95%。
出现于日报：07-29
- 6. ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
ConAlign 用偏置塔与无偏塔构成跨塔结构，仅当偏置塔样本损失更低时，通过离散门控把表征知识对齐到无偏塔，从而利用少量随机流量纠偏。三数据集实验中 Yahoo! R3 无偏 NDCG@5 达 0.7761；快手线上 DAU +0.069%、完整播放 +0.277%，排序 CPU 成本未增加。
出现于日报：07-29
- 7. Mosaic: A Fleet of User Embedding Specialists for Recommendation at Meta · 📖 深度解读
Mosaic 用记忆型、稠密特征型、序列型和 CoTrain 四类专家组成用户向量舰队，并以 MRM 与余弦冗余损失保证新增专家提供边际信息。37 个向量在多业务面带来 Eval NE 最高下降 0.33%，线上核心指标提升 0.10%–0.28%；GPU 优化使资源使用下降 79%。
出现于日报：07-29
- 8. SpecFormer: Mitigating Embedding and Attention Collapse via Spectral-Aware Transformer for Recommendation
论文把推荐 Transformer 随深度失效归因于长尾异质特征造成的 embedding 与注意力谱坍缩，提出可学习谱软化、谱软化注意力和谱残差位置编码。在 12 亿工业样本上 AUC 达 0.7611；阿里电商线上实验带来 CTR +1.34%、CVR +15.97%、订单 +16.72%，延迟仅增加 5ms。
出现于日报：07-29
- 9. TWICE: Two-Clock, Two-Window Learning for Long-Horizon Conversion Prediction in Online Advertising · 📖 深度解读
TWICE 将延迟转化拆为目标窗口 CVR 与分组延迟 CDF，用点击时钟的未成熟样本训练当前状态似然，用转化时钟更新延迟分布，并以固定 pCVR 质量校正历史流量混合。快手全流量实验中，预期收入、实际收入和转化分别提升 2.486%、1.858% 和 2.061%。
出现于日报：07-31
- 10. Long-History User Transformers for Real-Time Ad Ranking · 📖 深度解读
论文解决长行为序列虽能提升 CTR、却无法满足实时竞价延迟的问题：离线 Transformer 异步编码全量跨场景历史并缓存，线上轻量模型只融合缓存向量、近期行为和请求上下文。该拆分方案恢复完整在线长序列模型 72%–80% 的效果，搜索广告与广告网络排序指标分别提升 2.77% 和 2.10%，收入提升 2.26% 和 0.43%，且不增加服务延迟。
出现于日报：07-28