- 1. Chain Dimension Scaling: Communication-Efficient Loop-Style Scaling for Industrial Short-Video Ranking · 📖 深度解读
CDS 在短视频多任务排序中重复调用共享参数的特征交互块，以链长度增加计算深度，并用每轮残差稳定优化。压缩配置参数减少 26.6%、训练吞吐提升 6.4%，两个任务 AUC 分别为 0.7634、0.6787；线上参与度点估计增加 0.06%，但 95% 置信区间包含零。
出现于日报：10-15
- 2. Learning What to Keep: Transfer-Aware Personal Skill Learning from User Feedback
用户的一次纠正未必代表长期偏好，作者把反馈拆成小规则并学习保留哪些内容。训练分别奖励规则内容和保留决定，再联合优化后续回答；在个性化写作实验中，一个骨干模型比最强基线高1.61分。
出现于日报：10-16
- 3. DRanker: A Transformer-Based Multi-Task Ranking Model for the Disney+ Homepage · 📖 深度解读
DRanker 将 Disney+ 首页多个独立模型整合为双任务排序器，以丰富行为序列、相对位置自注意力和轻量因果塔预测参与概率与时长。全球实验中部署版本参与指标提升 0.48%，扩展到多个页面后提升 1.4%、DAU 提升 0.5%；约 700 万参数即可支撑大规模实时排序。
出现于日报：10-15
- 4. Mitigating Popularity Bias in Sequential Recommendations with Sparse Prior-Regularized Objective
PR-entmax 将物品流行度先验放入稀疏概率映射，使上下文相关性与热门程度共同决定训练中哪些候选获得梯度，推理时去掉先验。SASRec 在 ML1M 上相对交叉熵的 NDCG@10、Novelty@10、Coverage@10 分别增加 18%、17%、23%；大数据集训练约慢 20%。
出现于日报：10-15
- 5. Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation · 📖 深度解读
新物品没有交互边，图推荐便无法从邻居获取兴趣信号。作者先用文本语义固定协同空间，再让独立学生网络学习表示方向，并在检索时恢复向量长度；Sports冷启动Recall@20比DropoutNet高20.8%。
出现于日报：10-16
- 6. Revisiting Generative vs. Dense Retrieval: A Static Value Prior Reverses the Gap
生成式召回的商业价值优势，可能来自热门物品而非更懂用户。作者把命中目标、最佳商品价值与整份列表价值分开比较，并为稠密召回加入静态价值先验；工业数据上的NDCG@50因此提高11.8%。
出现于日报：10-16
- 7. Pathwise Alignment for Collaborative Filtering: Bilateral Conditional Flow Regularization
PACF 针对隐式反馈稀疏时矩阵分解缺少跨用户约束的问题，以共享流场和轨迹一致性共同正则用户与物品向量，训练后丢弃辅助网络。对比 11 个基线、覆盖 7 个数据集；Clothing 的 Recall@10 从 BPR-MF 的 0.64% 升至 2.88%，NDCG@10 从 0.30% 升至 1.59%。
出现于日报：10-15
- 8. Meta’s Generative Ads Model (GEM): Scaling the Central Model and Compute Engine for Frontier Ads AI
Meta 将各广告场景独立的预测模型升级为统一基座 GEM，联合学习点击与转化，并通过 Kunlun 建模长用户序列及异构特征交互。官方报告 CTR 提升 12%、转化提升 18.9%，CompSkip 减少 43% FLOPs；这些是平台级报告口径，不能视为单项消融或社区搜索的预期收益。
出现于日报：10-14
- 9. Tackling the Modality Inhibitance Effect with Wavelet-based Modality Integration in Multi-modal Recommendation
MMWave 研究由双模态扩展到三模态后噪声及冗余反而损害推荐的问题，以小波分解、结构图学习和自适应模态调节保留有效信息。论文在 Baby、Sports、Clothing、TikTok 四个数据集上验证，报告平均改善 6.48%；移除小波混合器或调节器后性能平均下降约 7.6%。
出现于日报：10-15
- 10. PersEvalBench: Can LLM Evaluators Judge Contextually Appropriate Use of Persona Information?
评估器可能记住用户历史，却判断错哪些偏好该用于当前回答。作者构造正确回答和受控错误配对，区分漏用、过用及状态误用；人工评估子集中，最强评估器仅识别63.9%的漏用错误。
出现于日报：10-16