- 1. WeGR: Unified Generative Retrieval for Industrial Search Systems in WeChat · 📖 深度解读
WeGR 将协同行为感知的 CoCo-VAE 语义码与动态视野策略优化 DHPO 结合，解决工业生成检索中的码本塌缩及精确匹配奖励稀疏问题。微信电商搜索线上实验报告订单、CTR、CVR 相对提升 2.539%、1.508%、1.381%，CPU/GPU 使用量分别减少 25.5%/26.1%；这些是电商生产结果，尚非社区 UGC 验证。
出现于日报：10-15
- 2. Computed, not Memorized: Bit-Factorized Identifiers for Efficient Generative Retrieval
本文提出按位分解的数字文档 ID，使 token 得分由各 bit 的模型表示共同计算，减少依靠索引训练死记文档码的问题。在三个检索基准评估中，未见文档 Hit@10 提升超过 20 个百分点，NQ320K 与 TriviaQA 推理延迟最高降低 7 倍；MS MARCO 无额外训练时比更新权重的方法低约 3 个百分点。
出现于日报：10-15
- 3. Beyond Semantic IDs: Finite-Beam Reachability and Continuous-Query Generation in Generative Recommendation · 📖 深度解读
论文研究有限宽度 beam search 如何限制 Semantic ID 推荐的候选可达性，并提出单步连续查询 CQG-Single 和连续残差生成 CQG-AR。统一协议下，CQG-Single 在 MovieLens-1M 的 7 次训练中均超过 TIGER 类基线，平均 Recall@10 增加 0.0107，仅使用其 55.3% 的可训练参数。
出现于日报：10-14
- 4. UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation
UniSGR-V2 在正文提出 TacGR：每层语义码生成前预测连续目标属性，并在解码器内交叉，配合语义锚定辅助塔与单向可见掩码。Lazada 的 24.2 亿样本实验中，点击 HR@100 从 UniSGR 的 0.3031 升至 0.3148；40 天线上 A/B 的订单量和 GMV 分别相对提高 5.55% 和 3.09%。
出现于日报：10-15
- 5. Guiding the coarse levels of semantic IDs makes the fine levels learnable
Guided SID 将 RQ-VAE 的粗粒度编码强制对应预先定义的任务相关属性，同时保留码本的重建梯度，并用 trie 合并处理高基数属性。每组 10000 条记录的匹配检索实验中，Recall@10 从 0.0639 增至 0.0890，MRR 从 0.0260 增至 0.0355；这不是线上 CTR 提升。
出现于日报：10-14
- 6. HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
HASTE 为生成式推荐引入层级 Semantic ID 损失和属性辅助监督，强化粗到细表示并改善长尾物品学习。层级损失约带来 2 倍收敛加速；Amazon Fashion-140k 上总体 Recall@5 从 0.0243 升至 0.0297，长尾 Recall@10 从 0.0169 升至 0.0215。不同数据与指标仍有退步，不能概括为全部领先。
出现于日报：10-15
- 7. Personalized LLM Recommendation with Semantic IDs: Autoregressive Beam Search vs. Multi-Token Prediction
Netflix 在统一的多任务推荐 LLM 中比较单头自回归 beam search 与并行多 token 预测，并为后者引入联合 SID 排序损失。Qwen3-8B 规模下，自回归方案在排序与内容问答上更强，训练美元成本约为 MTP 的 1/2.6；相对旧非 SID 基线，冷启动排序提高 77%、内容问答准确率提高 22%。
出现于日报：10-15
- 8. Beyond Temporal Proximity: Explanatory World Models for Credit Assignment in Reinforcement Learning · 📖 深度解读
生成式推荐优化长期留存时，延迟奖励容易被归给最近而非真正相关的行为。EWM 用语言模型解释已发生的轨迹，再以守恒层级算子递归重分配奖励。KuaiRand 离线 AUC 提升 1.99 个百分点；工业回放 Recall 为 SFT 的 3.75 倍，尚无线上 A/B 结论。
出现于日报：10-13
- 9. AlignPoison: Conditional Targeted Poisoning of Generative Recommenders via Decoding-Aligned Prefixes
AlignPoison 研究自回归生成式推荐在有限交互注入与黑盒推荐接口条件下的定向投毒风险，分析解码前缀对恶意目标曝光的作用。实验表明不足 1% 的合成交互即可增强触发条件下的目标推广，所提方法在单模态和多模态生成推荐基准上，ASR lift 相对比较最高增加 16.3 个百分点。
出现于日报：10-15
- 10. Beyond Sequences: Distilling Structured Decision Memory for LLM Recommendation · 📖 深度解读
阿里提出 MARI，将搜索、浏览、收藏和购买日志蒸馏为包含意图、偏好及回避因素的结构化决策记忆，再检索记忆辅助 LLM 推荐。Qwen3-4B 微调版本在跨品类下一物品预测和相似商品难选择任务的 Hit@1 分别为 0.5561、0.8868；无记忆微调基线为 0.538、0.866。结果来自工业日志离线实验，未提供线上 A/B 收益。
出现于日报：10-12