- 1. Knowledge-Geometry Decoupling: Refreshable Pretrained Transfer for Streaming Recommendation · 📖 深度解读
工业推荐在行为分布持续漂移时，传统 next-token 预训练会把跨兴趣会话的相邻物品当成依赖，迁移后还会与 CTR/排序目标争抢同一参数。KGD 用 BMTP 只预测协同或语义相关的未来物品，并以可刷新编码器、只读交叉注意力和正交 ACR 分离知识与任务几何。在 8 个公开基准上较强基线提升 4%–12%，Shopee 90 天流式验证保持优势，首页搜索 A/B 的人均 GMV +1.75%、广告收入 +1.53%。
出现于日报：08-06
- 2. Multi-Objective Ranking for Live-Streaming: Balancing Fresh and Delayed Signals with Segment-Aware Targeting · 📖 深度解读
针对直播推荐中观看、聊天、关注、消费等行为并发且反馈延迟、不同生命周期用户分布偏置的问题，论文用延迟窗口补齐反馈，融合新鲜与延迟信号，并以分段目标模块和 MMoE 联合多目标排序。线上 A/B 使日活观众提升 0.09%、高参与用户封顶 ARPU 提升 0.56%，MMoE 还使参数量减少 41.9%，新关注提升 0.27%。
出现于日报：08-07
- 3. TransX: Scaling Transformer-based Recommendation via Behavioral and Serving Stream Crossings · 📖 深度解读
针对工业推荐把长期行为与实时服务事件粗暴拼成单一序列所带来的因果混淆和高成本，TransX 用编码器—解码器解耦两类数据，并以跨注意力完成动作转导。LinkedIn 大规模 A/B 测试中 CTR 提升 6.0%、转化提升 4.4%，增量编码与逐请求 KV 缓存将在线计算量降低约 80%。
出现于日报：08-03
- 4. Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study · 📖 深度解读
Google Discover 的统一信息流同时包含网页、长短视频和 UGC，单一共享表示容易让多数内容类型压制少数类型。HA-MoE 将异质性上下文同时注入多门控专家与专家表示，并用 LENS 追踪专家分工、用 DL-AUC 衡量全局效用和跨类型正确性。10M 条 7 天样本上，pInterest DL-AUC 达 0.691；1% 流量、7 天 A/B 中 DAU +0.22%、多样互动率 +0.54%。
出现于日报：08-06
- 5. Don't Contrast the Impossible: Region-Constrained Batching for Contrastive User Modeling on a Local Community Platform · 📖 深度解读
论文指出本地社区推荐中的随机批内负样本常在地理上根本不可曝光，因而稀释用户表征学习；RCBS 将同区域用户组成批次，引入可触达的更难负样本。细粒度分区使不可能负样本占比从 98% 降至 30%，Recall@10 从 0.100 升至 0.149；线上点击量、日活观看者和广告 CTR 分别提升 10.0%、1.91% 和 7.46%。
出现于日报：08-03
- 6. SITA: Semantic Interest Tokens for Target-Aware Compression in Long-Sequence Recommendation
SITA 解决长行为序列建模中的两难：目标相关检索需要在线逐候选计算，静态压缩又丢失目标适应性。方法用并行语义量化学习 Semantic ID，将用户兴趣压缩成分组 token，再按目标物品的语义码选择对应 token；在线复杂度为 O(BNd)。在 Taobao-MM 上 AUC/GAUC 为 0.6550/0.6175，在 XLong 上为 0.9149/0.9120…
出现于日报：08-06
- 7. CCFormer: Efficient Cross-Field Interaction and Hierarchical Sequence Compression for Industrial Recommendation at Tencent
CCFormer 面向长序列推荐的算力与细粒度交互矛盾，将字段分离交叉注意力、长序列子空间 token mixing 和逐级扩大感受野的层次压缩统一到一个骨干网络。腾讯视频推荐与广告排序 A/B 测试分别获得 3.57% CTR、1.71% 广告收入提升，训练速度相对 HSTU 提高 2.21 倍，并已承载主流量。
出现于日报：08-03
- 8. From User Sequences to Scaling Laws: A Multi-Stage Architecture for Meta’s Ads Ranking
Meta 文章总结广告排序从静态稀疏特征转向用户行为序列与多阶段架构的路线，核心是用行为发生顺序、时间间隔和跨产品信号刻画兴趣与意图，再把大规模序列模型的能力迁移到可在线服务的排序模型。文章面向每天数十亿交互的推荐平台，强调序列建模、分阶段训练和 scaling law 的组合，而不是单点替换 CTR 模型。
出现于日报：08-06
- 9. GALA: Generative Aligned Learning for Adaptive Multimodal Representation in the Taobao Shangou Recommender System
GALA 解决图文语义预训练与行为排序目标脱节问题：先用搜索日志构造 query-image-text 三元组，再以转化奖励和 GRPO 做生成式对齐，最后通过自适应门控及混合损失融合多模态与 ID 表征。系统服务淘宝闪购超过 2 亿日活，离线 AUC 提升 0.12/0.20，线上订单量提升 0.55%。
出现于日报：08-03
- 10. LLM-Derived Priors for Thompson Sampling in Cold-Start Comment Recommendation
论文把用户生成评论当作冷启动 bandit arm 的语义先验，用 LLM 从文本抽取信号，分别构造 Gender Prior 与 Content Prior，再初始化 Thompson Sampling；后验按性别—年龄分段更新。真实线上 A/B/C 比较了均匀先验和两种 LLM 先验，结果显示少量交互证据出现后收益最大，且不同先验对点击漏斗和人群的作用不同。
出现于日报：08-06