- 1. OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking · 📖 深度解读
OneModel 将社区推荐、广告和商家服务中的异构行为统一为事件序列，用行动导向骨干网络学习长上下文用户表示，并以场景感知信息调制平衡共享与专属能力。小红书线上测试显示，探索流时长提升0.33%、互动提升1.25%，信息流广告CTR提升8.18%，商家推荐DGMV提升1.1867%。
出现于日报：08-21
- 2. GateDiffInt: Gate-Mediated Controllable Diffusion and Multi-Intent LLM Distillation for User Behavior Modeling · 📖 深度解读
GateDiffInt 将行为序列中的噪声—意图耦合显式化，利用可控前向扩散和双门控增强、去噪，再由大模型教师蒸馏长期、短期、潜在和转化四类结构化意图，轻量学生模型完成CVR预测。论文在公开与工业数据上均报告稳定收益，并在日活数亿的线上A/B测试中提升GMV、进入主流量部署。
出现于日报：08-21
- 3. Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay · 📖 深度解读
论文将推荐内容过时拆成“被新内容替代”和“生命周期衰减”两类，并在 Google Discover 上部署 SDF。系统由关系式陈旧度模型识别内容对之间的替代关系，再用预测流量比模型估计生命周期价值，在排序前做并集过滤；连续两年线上运行后，用户主动提交的陈旧内容反馈较基线下降 54.9%，同时减少下游服务成本。
出现于日报：08-19
- 4. STAR: Structured Tokenization and Target-Aware Interest Representation for PCVR Prediction · 📖 深度解读
STAR面向工业推荐中的PCVR预估，统一处理稀疏特征、数值特征、多行为序列和候选商品条件下的兴趣。它在HyFormer式骨干上加入结构化token化、目标感知序列解码、用户–商品交互token与加权InfoNCE，并用配置重建保证训练/推理一致。腾讯UniRec数据集含2000万训练样本，测试AUC从基线0.819961升至0.836546，提升0.016585。
出现于日报：08-20
- 5. Multimedia Asset Personalization via Multimodal Embeddings at Netflix
Netflix 将CLIP图像 embedding 接入双塔模型，使一个模型覆盖5种艺术画布类型，替代5个按画布训练的模型，并改善新内容冷启动；视频预告则融合视觉、音频和字幕信号。论文还用与线上结果相关的离线人气赢家预测任务筛选MediaFM检查点，减少端到端实验成本。
出现于日报：08-21
- 6. Empowering Compact LLMs with Fusion of Layer-wise Exits for Recommendation · 📖 深度解读
FLEXRec针对紧凑LLM在序列推荐中的表达能力不足，保留判别式全库打分的效率，在每个Transformer层放置exit，再由AC-Router按用户序列动态融合不同深度的分布。它在Qwen 3 1.7B与Llama 3.2 3B上评测Toys、Beauty、Yelp三个数据集；Qwen下NDCG@10为0.0521/0.0451/0.0207，推理约7.1–7.5毫秒。
出现于日报：08-20
- 7. Think-to-Personalize: Unifying Reasoning and Retrieval for User-Centric Personalized Dense Retrieval
Think-to-Personalize 针对本地生活电商中的短、歧义查询，让模型先基于用户购买序列推理潜在需求，再生成增强查询并编码为稠密向量。两阶段训练先用SFT建立冷启动能力，再用GRPO按检索效用对齐推理；论文在公开和专有基准上验证，并报告线上订单量提升0.46%。
出现于日报：08-21
- 8. rEDMRec: Distilling Large Language Model Reasoning into an Editable Experience Memory for Recommendation
rEDMRec 把教师大模型对用户历史和候选的推理压缩为可编辑记忆，分成长短期偏好、物品感知和反事实难负例4类通道，由记忆控制器执行增删改留，学生模型只检索记忆完成排序。它在ML-1M、Amazon Beauty和Steam、10个学生骨干上提升HR@1，ML-1M相对次优基线最高提升13.3%，记忆去重降低7.4个百分点。
出现于日报：08-21
- 9. PriCoRec: A Privacy-Aware Cloud-Device Collaborative Framework for Ad Recommendation under Feature Constraints · 📖 深度解读
PriCoRec 面向敏感用户特征无法上云的广告推荐，将云端预排序与端上排序拆开：云端只处理可访问特征，端上融合年龄、性别和细粒度行为。它用 DPP 风格多样性正则改善短名单，并用云端指导训练保持端模型轻量；在 OpenMCC、TaobaoAd、Ali-CCP 三个数据集上，云端 R@100 达到 50.41、68.29、47.72，端上 R@10 达到 13.87、21.74、24.10。
出现于日报：08-18
- 10. AdsWorldEngine: A Self-Evolving Conversational Advertising Agent through Orchestrator and Tool Coevolution
AdsWorldEngine 把多轮对话广告建模为可自我改进的工具调用系统：Opportunity Gate 先判断是否应展示广告，Orchestrator 从对话历史抽取商业意图并生成 Top-3 广告，Evaluator 再用奖励反馈训练工具。论文还用带思维轨迹的人工标注训练判断模型，并以成本敏感 GRPO 处理不对称奖励；离线多样性提升 60%、相关性提升 80%，线上 RPM 提升 22%、广告覆盖提升 74%。
出现于日报：08-18