- 1. MetaStrategy: Generative Ranking with Executable LLM Strategies · 📖 深度解读
MetaStrategy 不直接生成物品序列，而是让 LLM 根据请求上下文输出受约束的 JSON 排序策略，控制 CTR/CVR/GMV 权重、内容偏好、体验约束和位置规则；验证器与编译器把策略隔离接入现有重排链，LLM 推理放在近线。淘宝“猜你喜欢”七日 A/B 中，点击 PV 提升 2.11%、详情页 PV 提升 3.12%、交易额提升 2.83%，在线响应时间无可观测增加。
出现于日报：08-12
- 2. PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation · 📖 深度解读
针对推送推荐中长行为序列难压缩、生成式模型难解释且在线成本高的问题，PushDualGen 用并行 Semantic ID 压缩历史，先生成 SID，再按需复制文本解释，并把 Top-20 SID 与用户特征融合做 ANN 召回。模型以约 0.72B token 做 SID 适配、每日增量训练约 3.6B token；在 1.5 亿用户、14 天 A/B 中，有效播放率从 64.46% 升至 69.94%（+8.50%）…
出现于日报：08-12
- 3. Sona Technical Report · 📖 深度解读
Sona 面向 Yandex Music，将 15 个以上候选生成器、预排和排序模型组成的级联压缩为单一生成式推荐模型。共享用户序列编码器同时驱动自回归解码器与 Ranking Module，并用 next-token 预测和教师蒸馏联合训练，线上不使用手工特征。My Vibe 智能音箱流量 A/B 中，Active Users 提升 4.53%、总收听时长提升 6.30%、点赞提升 11.42%…
出现于日报：08-13
- 4. ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta · 📖 深度解读
ConnectionMind 将用户、物品、好友、群组和创作者页组织成异构图，把推荐转成从用户到候选物品的个性化路径推理；LLM 策略负责在图上选择和解释关系路径。系统先用大规模用户—物品轨迹做监督微调，再用端到端强化学习优化图推理策略。在 Meta 大规模推荐线上 A/B 中，视频观看时长提升 0.43%。
出现于日报：08-13
- 5. Progressive Alignment of Recommender Foundation Model through Multi-Phase Post-Training · 📖 深度解读
推荐基础模型通常把点击或点赞等稠密标签当作最终目标，难以对齐真正决定推荐质量的业务指标。论文提出三阶段渐进式后训练：先线性探测（LP）稳定任务头，再全量微调（FFT），最后用带奖励模型的强化微调（RFT）对齐业务目标；离线实验优于单阶段方案，并在大规模线上 A/B 中超过传统非基础模型。
出现于日报：08-11
- 6. DualSpectralCF: Training-Free Sign-Aware Spectral Collaborative Filtering
DualSpectralCF 将用户显式不喜欢信号和物品间负相关关系接入训练免除的谱协同过滤框架，只增加两个标量超参数，可挂载 ChebyCF、GF-CF 和 Turbo-CF。五个带正负反馈的数据集上，模型均不低于无符号骨干；调参后 Recall@20 最高提升 32.6%，固定默认参数提升 1.9%–16.0%，速度比 SIGformer 快 7.7–155.3 倍，冷启动用户最高提升 29.2%。
出现于日报：08-13
- 7. From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation · 📖 深度解读
论文发现序列推荐中的点积注意力存在相似性偏置：它偏爱相似物品，却会漏掉对下一物品预测有因果作用的异质关系。PRISM 用语义锚点路由器和多视角透镜分别建模 Affinity 与 Contrast 视图，再用序列偏好对比损失和协同一致性损失训练；七个数据集上相对最强基线的 H@10 提升为 3.15%–7.36%。
出现于日报：08-14
- 8. Teacher Retains Full Tokens, Student Merges Efficiently: TM20K for E-Commerce Sequence Modeling in Ad Recommendation · 📖 深度解读
TM20K 面向电商广告中的超长用户行为序列，用全注意力教师和学生模型配合两阶段知识蒸馏，再通过 token merge 压缩学生序列。该方法把线上序列长度扩展到 20K，已部署于字节跳动电商广告推荐系统，ADSS 提升 1.036%，服务延迟仅增加 5.6%，训练和服务成本接近原有 SOTA。
出现于日报：08-11
- 9. GenRec: An LLM-Backed Recommendation Ranker at Netflix
GenRec 用两阶段训练把开源 LLM 适配为 Netflix 基础模型，再用推荐标签、上下文和多种奖励信号做高频排序后训练；推理采用 prefill-only，一次前向为全目录打分，并用 catalog-aware head 限制输出在目录内。相较生产 ranker，Phase-2 标注样本减少约 40 倍时，离线 MRR 仍提升约 1.6%；约 10% 流量、4 周 A/B 中核心线上指标相对提升 0.006%。
出现于日报：08-13
- 10. IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation · 📖 深度解读
IntHQ 针对多任务推荐中共享表示造成的 source、relation、hierarchical 三类信息坍缩，设计双流解耦、任务交互建模和分层查询：任务 token 从第一层注入，跨任务注意力动态建依赖，再按任务从不同深度读取表示。在 41 亿交互、1.63 亿用户、730 万 POI 的 IntTravel 上全面优于基线；高德线上服务数亿用户，平均延迟控制在 40ms 内，UVCTR 相对提升 1.60%。
出现于日报：08-12