- 1. LoopFM: Learning frOm HistOrical RePresentations of Foundation Model for Recommendation · 📖 深度解读
LoopFM 将推荐基座模型的历史中间表征压缩成用户序列，供轻量排序模型使用，补充标量蒸馏难以传递的跨域信息。TaobaoAd 上 DeepFM 的 AUC 从仅蒸馏的 0.5980 升至 0.6344；工业系统知识迁移比约翻倍，两个后续上线分别带来 1.03% 和 1.22% 转化提升。
出现于日报：10-09
- 2. ScalarLens: Numerical Embeddings with Stable Coordinates and Contextual Responses for CTR Prediction · 📖 深度解读
ScalarLens 将数值特征拆成仅由数值确定的稳定坐标，以及受样本上下文调节的有界响应，保持类别 embedding 和 CTR 主干接口。1539 次实验覆盖 19 种表示、3 个数据集、9 种主干；其在 27 个组合中获 25 个第一，三个数据集平均 AUC 分别超过最强竞争者 0.0070、0.0037、0.0012。
出现于日报：10-09
- 3. Beyond One Epoch: Uncertainty-Weighted Sensitivity Regularization for Recommendation Models · 📖 深度解读
推荐模型第二轮训练常出现训练损失下降、测试泛化恶化。作者将其解释为标签已影响稀疏 embedding 后的自影响不对称，提出按 embedding 不确定性加权的输出敏感度正则 UWSR，保留已学 embedding。三个基准上，四轮训练相对一轮使测试交叉熵降低 1.38%–6.78%，AUC 增加 0.0058–0.0231。
出现于日报：10-06
- 4. Beyond Successor Accuracy: State Retention for Recursive Self-Improvement in Recommendation · 📖 深度解读
论文研究推荐模型递归更新后应保留哪些状态，以跨代与同代模型配对的公平对照衡量互补收益，并用无需相关性标签的排名分离度选择保留方案。覆盖四个数据集、三种序列编码器，所选模型族在 34/36 条测试轨迹中优于直接后继模型，NDCG@20 平均相对增加 10.6%；跨代组合并非对所有架构始终有效。
出现于日报：10-08
- 5. Personal-Agent Mediated Recommendation with Cross-Platform User History · 📖 深度解读
论文将跨平台用户历史用于已有推荐列表的选择性调整，提出 MediateRec 基准和 PAMO 训练方法，通过遮蔽跨平台记录评估推理对个人信息的依赖，并保留平台相对价值下限。真实 OpenPlay 的 645 名用户测试中，PAMO 将 HR@10 从平台的 40.8% 提升到 47.9%，NDCG@10 从 0.241 提升到 0.284，有害覆盖率为 6.0%。
出现于日报：10-08
- 6. Embedding Subspace Partitioning for Dynamic Multi-Objective Retrieval · 📖 深度解读
ESP 针对推荐多目标共同挤占单向量容量的问题，把表征拆成任务专属子空间，并在服务时调整各子空间相似度权重。LinkedIn 的七天线上实验中，收入权重 0.3 时收入增加 4.01%、职位申请增加 3.95%、点击率增加 0.92%，后续分析显示不匹配率下降 8.95%。其实现使用单一拼接索引和 GPU 穷举检索。
出现于日报：10-05
- 7. Not All Is Lost: Repairing Lossy User Preference States of Personalization Encoders · 📖 深度解读
论文研究用户历史压缩为偏好状态后，缓存中仍存在却未被任务头充分利用的证据。REPAIR 在冻结编码器与任务头之间加入低秩修正、三种时间视图和选择性写回。在四个数据集的十二个推荐宿主上均改善 MRR 与 nDCG@10，MovieLens 的 Mamba4Rec MRR 增加 3.96 点，单独微调任务头仅增加 0.19 点。
出现于日报：10-05
- 8. From Valid to Useful: Post-Verification Acquisition for Recursive Self-Improving Recommendation · 📖 深度解读
序列推荐用模型生成的交互序列递归训练时，全部保留通过验证的数据会放大来源与长度偏差。DA-RSIR 用 MC dropout 估计目标物品的预测分歧，按来源分组并从低、中、高分歧区间选取代表序列。在四个数据集、三个模型和两个指标构成的 24 项比较中全部优于 retain-all；SASRec 在 Beauty 上的 NDCG@10 从 5.01 升至 5.17（表中乘以 100）。
出现于日报：10-07
- 9. MuSeR: Scalable Long-sequence Recommendation with Multi-interest Modeling · 📖 深度解读
MuSeR 面向超长行为序列和多兴趣用户建模，将近期行为完整保留，中远期分别池化压缩，结合多查询兴趣抽取与文本语义对齐。长期表征异步缓存，在线融合短期兴趣并进行多目标束搜索。百度首页信息流 A/B 测试中，DAU 增加 0.26%、总会话时长增加 0.89%，均达 p<0.05。
出现于日报：10-06
- 10. Reading Position Is the Baseline to Beat: A Time-Ordered Evaluation of Personalised Highlight Prediction
论文检验阅读产品能否用用户第一次划线预测后续选择，并采用按时间排序的评估，避免未来互动泄漏。在 1511 页、7343 个读者页面对上，仅按首次划线后的位置排序，下一次划线 Top-5 命中率为 47%，高于热门基线的 26% 和较优相似用户方法的 29%。
出现于日报：10-09