- 1. Task-Blind No MORE: Multi-Task Information Flow in Unified Ranking Backbones · 📖 深度解读
针对共享排序骨干无法区分点击与深度互动信号的问题，MORE 将共享和任务私有锚点贯穿每层，通过任务感知序列读取、边界掩码和独立增强分支减少信号混合。陌陌附近动态两周线上实验中，使用时长提升3.0%、点击提升2.8%、评论提升3.6%；请求内共享计算相对逐候选服务使P99评分时延降低约30%。
出现于日报：09-10
- 2. Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation · 📖 深度解读
PTDG 针对多任务推荐中深层转化信号沿固定漏斗衰减的问题，用低秩分解生成实例相关任务图，在因果掩码内传播信息，并按标签稀疏度逐步屏蔽共享参数。工业数据平均 AUC 为 0.8878，线上两周实验相对 MMoE 实现 CVR 提升 1.2%、eCPM 提升 1.9%。
出现于日报：09-08
- 3. UniCon: A Unified Context-Centric Modeling Paradigm for CTR Prediction · 📖 深度解读
UniCon把一次展示的候选、用户和环境信息组织成上下文单元，用单元内注意力学习竞争关系，再用跨单元注意力建模兴趣变化。美团搜索广告实验中，AUC从0.8558升至0.8697；七天线上测试的CTR、RPM和收入分别提升2.07%、3.09%和2.95%。上下文压缩将计算量减少75.4%，AUC仅下降0.0001。
出现于日报：09-07
- 4. DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation · 📖 深度解读
DrEM 研究上游行为预估同时充当融合排序输入与监督时的噪声传播，以共享的 logit 高斯噪声模型估计偏好翻转概率，结合风险修正和保序扰动训练。快手 7 天线上实验中，EMER 加入该方法后关注提升 1.197%、评论提升 1.388%，所有报告指标的 p 值均小于 0.005。
出现于日报：09-09
- 5. OneRank: Unified Transformer-Native Ranking Architecture for Multi-Task Recommendation
OneRank 把多任务特征编码与预测合并到Transformer中，使用候选任务token、跨候选上下文和跨任务梯度截断，再以动态内积替代静态MLP评分。Shopee数据上点击AUC为0.7910，对照OneTrans加PLE为0.7770；线上GMV/用户提升1.01%、广告收入/用户提升0.81%，坏查询率下降2.29%。
出现于日报：09-10
- 6. SequenceO1: End-to-End Ultra-Long (100K) Sequence Modeling in Recommendation with Low-Rank Caching · 📖 深度解读
这篇论文最值得看的地方，是它把超长行为序列的计算从按候选重复做改成了每个用户只做一次。字节跳动的 SequenceO1 先把用户最多 10 万条历史行为压成一份固定大小、与候选无关的摘要并缓存起来，同一用户的所有候选和相邻请求都复用它；每个候选只对这份摘要和最近的行为做交叉注意力，不再逐个重读整段历史。按论文的公式估算，推理时这一路每个候选的计算量比直接读整段历史少约 64 倍…
出现于日报：09-10
- 7. HyperTrace: Hypothesis-Based Preference Tracing for Online LLM Personalization · 📖 深度解读
HyperTrace 将在线个性化建模为隐含偏好追踪，维护五个带权自然语言假设，按选择反馈更新，并分层保存会话意图与长期偏好。在 PRISM 上，20 轮后的偏好预测准确率为 61.36%，高于 Cheatsheet 的 54.36%；在 PersonaMem-v2 上为 37.68%，对应基线为 30.35%。
出现于日报：09-11
- 8. Closing the Long-Short View Gap in Sequential Recommendation without Cached History
论文研究长历史训练、短历史服务造成的性能落差，先用角度相似度和改进softmax缓解向量范数与前缀位置偏差，再仅微调偏置及LayerNorm以适配短视图。在三个公开数据集、两种骨干上验证；Taobao的SASRec短历史NDCG@10从0.4831升至适配后的0.5522，且无需缓存每个用户的持久历史状态。
出现于日报：09-10
- 9. MURAL: Multimodal Uncertainty-aware Recommendation via Adaptive edge Learning · 📖 深度解读
MURAL 针对静态物品图和多模态噪声，用 HNSW 找候选邻居，再学习边权，并结合模态重要性与不确定性融合表征。TikTok 全量排序 Recall@20 达到 0.1221，对比最强基线 DiffCL 的 0.1158，相对提升约 5.44%；Amazon 两个数据集也取得更高指标。
出现于日报：09-08
- 10. Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?
作者用带时间衰减的 Sequential Rules 与概率协同转移模型 PCTM，检验常用序列推荐基准是否需要高阶交互。在一致评测协议下，较强的成对基线在三个 Amazon 数据集超过 eSASRec 约 15%–38%，在 MovieLens-1M 高 4.4%，却在 MovieLens-20M 低 27.3%。
出现于日报：09-08