Rec-Distill: An Industrial Distillation Pipeline for Large-Scale Recommendation Models
ByteDance AML（字节跳动AML）；ByteDance（字节跳动）
针对大规模推荐模型在工业部署中效率与性能的权衡问题，提出Rec-Distill蒸馏流水线，通过解耦训练、黑盒蒸馏、去偏机制和混合批流流水线，将大教师模型的知识高效迁移至轻量学生模型，在真实场景中蒸馏迁移率超60%。
2026-05-29 cs.IR
Unlocking the Hidden Treasures: Enhancing Recommendations with Unlabeled Data
本文提出正-中-负（PNN）学习范式，通过引入中性类处理无标签数据，结合半监督学习与用户感知注意力模型及新型损失函数，显著提升协同过滤推荐性能。
2024-12-24 cs.IR
PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation
Kuaishou Technology（快手科技）
针对生成式推荐模型黑箱化阻碍部署且推理成本高的问题，提出轻量模型PushDualGen，生成语义ID的同时生成可跳过的解释副本，已部署于快手推送系统，使有效播放率升8.50%、不满率降37.70%，优化了内容生态。
2026-08-11 cs.IR
Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale
Kuaishou Technology（快手科技）；Beihang University（北京航空航天大学）
提出推荐即生成（RaG）范式，通过共享语义ID统一生成式推荐与视频生成，实现个性化视频按需生成，并在工业平台部署，广告收入提升1.87%。
2026-06-25 cs.IR
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
针对快手短视频推荐中跳过行为带来的隐式偏好建模与多目标优化难题，提出反馈感知编码和多目标预测模块，并通过在线 A/B 测试验证其效果。
2024-03-05 cs.IR
EasyRec: An easy-to-use, extendable and efficient framework for building industrial recommendation systems
Alibaba Group（阿里巴巴集团）
我们提出EasyRec，这是一个易于使用、可扩展且高效的推荐框架，用于构建工业推荐系统。我们的EasyRec框架在以下几个方面具有优势：首先，EasyRec采用模块化和可插拔的设计模式，减少了构建自定义模型的工作;其次，EasyRec实现了超参数优化和特征选择算法，自动提高模型性能;第三，EasyRec应用了在线学习，快速适应不断变化的数据分布。代码已发布：https://github.com/alibaba/EasyRec。
2022-09-26 cs.AI cs.IR
MTFM: A Scalable and Alignment-free Foundation Model for Industrial Recommendation in Meituan
Meituan（美团）
MTFM是一种基于Transformer的工业推荐基础模型，通过异构标记和多场景样本聚合提升效率，实现无对齐的多场景推荐效果。
2026-02-13 cs.IR
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology（快手科技）
针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。
2026-07-07 cs.IR
MSN: A Memory-based Sparse Activation Scaling Framework for Large-scale Industrial Recommendation
ByteDance Search（字节跳动搜索）；ByteDance AML（字节跳动机器学习）
MSN通过基于记忆的稀疏激活缩放框架实现大规模工业推荐中的高效个性化与性能提升。
2026-02-07 cs.IR
RecFlow: An Industrial Full Flow Recommendation Dataset
本文发布工业级全流程推荐数据集RecFlow，覆盖曝光与各阶段未曝光物品及6个阶段样本，以支持多阶段推荐、去偏和用户行为建模研究。
2024-10-28 cs.IR
MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
针对生成式推荐舍弃交叉特征导致性能下降的问题，提出基于HSTU架构的MTGR框架，保留DLRM交叉特征并通过用户级压缩等优化实现高效缩放，单样本推理FLOPs达DLRM的65倍，已部署于美团主流量场景。
2025-08-22 cs.IR
Recommender systems in industrial contexts
本论文由四个部分组成：-在工业背景下推荐系统的核心功能和先决条件的分析：我们确定了四个核心功能的推荐系统：帮助做决定，帮助比较，帮助探索，帮助发现。这些功能的实现对算法推荐系统的核心选择有影响。- 介绍了自动推荐系统中的主要技术：两种最常用的算法：K-近邻方法（KNN）和快速因子分解方法。现有技术还提出了纯粹基于内容的方法，杂交技术，和经典的性能指标，用于评估推荐系统。这种最先进的技术然后给出了几个系统的概述，无论是从学术界和工业界（亚马逊，谷歌.）。- 分析了在本论文中开发的推荐系统的性能和意义：该系统Reperio是一个使用KNN方法的混合推荐引擎。我们研究了KNN方法的性能，包括所使用的相似性函数的影响。然后，我们研究了KNN方法在冷启动情况下的关键用例中的性能。- 一种分析工业环境中推荐系统性能的方法：该方法根据其核心功能评估算法策略和推荐系统的附加值。
2012-05-14 cs.IR
DIIT: A Domain-Invariant Information Transfer Method for Industrial Cross-Domain Recommendation
OPPO
本文提出DIIT，一种用于工业跨域推荐的端到端域不变信息迁移方法，通过设计双提取器从源域模型提取域不变信息并迁移至目标域模型，解决了工业环境中现有CDR方法低效问题，实验验证了其有效性与效率。
2024-09-29 cs.IR cs.LG
OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
Tencent Inc.（腾讯公司）
OneRanker通过统一生成与排序架构，解决广告推荐中生成与排序的脱节问题，提升业务指标表现。
2026-11-06 cs.IR
LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation
Meta Platforms, Inc.（Meta平台公司）
研究工业广告推荐中稀疏特征排序问题，提出仅用CPU的LO-FAR工作流程，通过轻量级局部估计器排序，在生产数据集上约两小时完成排序，保留下游归一化熵增益，证明简单局部过滤器在成本和周转约束下是实用生产选择。
2026-07-24 cs.IR
TransRetrieval: Scaling Up Transformer-Based Retrieval for Industrial Recommendation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）
针对工业推荐检索的特征异质性问题，提出TransRetrieval框架，通过加权平均聚合、目标token压缩等技术实现高效缩放，在数据集和基准测试中取得召回率提升，线上测试也实现收益增长。
2026-08-27 cs.IR
LazFormer: Scaling Transformers for Industrial Recommendation via Transferable Generative Pre-training
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对工业推荐中Transformer扩展的计算消耗和负迁移问题，提出LazFormer，采用生成式预训练、可迁移残差适配器及非对称多轮训练，提升排序性能。
2026-09-15 cs.IR
On the Equivalence Between Auto-Regressive Next Token Prediction and Full-Item-Vocabulary Maximum Likelihood Estimation in Generative Recommendation--A Short Note
Kuaishou Technology（快手科技）
本文证明自回归下一个token预测与完整物品词汇最大似然估计在生成推荐中严格等价，为工业级推荐系统提供理论基础。
2026-04-17 cs.IR
Inherit4Rec: Parameter Inheritance for Efficient Scaling of Recommendation Models
Kuaishou Technology（快手科技）；Shenzhen Technology University（深圳技术大学）；City University of Hong Kong（香港城市大学）
针对工业推荐系统模型扩展中的性能与计算瓶颈，提出参数继承框架Inherit4Rec，支持稠密到稠密增长和稠密到稀疏转换，实验验证其优于现有继承基线。
2026-10-28 cs.IR
UniFormer: Efficient and Unified Model-Centric Scaling for Industrial Recommendation
Kuaishou Technology（快手科技）
提出UniFormer框架，通过分解特征与任务空间、引入语义令牌化及多序列交叉注意力，实现工业推荐系统的统一模型中心缩放，在快手和快手极速版上显著提升用户参与度。
2026-06-26 cs.IR
GeoGR: Enabling Spatio-Temporal Aware Industrial-scale Generative POI Recommendations
AMAP, Alibaba Group（高德地图，阿里巴巴集团）
GeoGR是一种面向空间时间感知的POI推荐生成框架，通过两阶段设计提升POI推荐的准确性和可扩展性。
2026-09-01 cs.IR
TAGR: Temporally Adaptive Generative Recommendation for Industrial Live-Streaming Advertising
Kuaishou Technology（快手科技）；Tsinghua University（清华大学）
本文提出TAGR框架，通过时间自适应解决现有生成式推荐器在直播广告场景的不足，在电商平台部署后显著提升了直播间进入率、购物车点击率及营收。
2026-11-05 cs.IR
LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application
Kuaishou Technology（快手科技）
本文提出LEARN框架，通过冻结预训练大语言模型作为物品编码器并采用双塔结构融合开放世界知识与协同知识，在工业数据集和Amazon Review基准上验证了其有效性与优越性。
2024-12-26 cs.AI cs.IR
Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations
The Hong Kong Polytechnic University（香港理工大学）；Kuaishou Technology（快手科技）
提出AIR框架，通过离线LLM推理与在线高效检索组合，实现工业级跨域推荐，在快手电商中GMV提升3.446%。
2026-06-09 cs.AI cs.IR
An Event is Worth One Token: Event Tokenization for Industrial-scale LLM Recommendation
AI at Meta（Meta AI）
该研究提出以事件为中心的AMBER方法，将交互快照压缩为事件Token，在工业级推荐基准上提升了计算-质量帕累托前沿，且事件Token可跨模型架构迁移并随容量扩展持续优化。
2026-09-07 cs.IR
ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
Kuaishou Technology（快手科技）
针对工业推荐系统偏差问题，提出ConAlign条件去偏方法，通过离散门控条件对齐机制平衡事实准确性和无偏偏好估计，支持实时流适应，经实验验证有效，提升了快手用户长期参与度和兴趣多样性。
2026-07-28 cs.IR
Farewell to Item IDs: Unlocking the Scaling Potential of Large Ranking Models via Semantic Tokens
ByteDance（字节跳动）
TRM通过语义标记替代物品ID，提升排序模型的扩展性与性能，实现存储减少和AUC提升。
2026-01-30 cs.IR
KEEP: An Industrial Pre-Training Framework for Online Recommendation via Knowledge Extraction and Plugging
Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）
工业推荐系统通常呈现包含来自多个子系统的结果的混合列表。在实际应用中，每个子系统都利用自己的反馈数据进行优化，以避免不同子系统之间的干扰。然而，我们认为，这样的数据使用可能会导致次优的在线性能，因为\textit{data sparsity}。为了缓解这个问题，我们建议从包含网络规模和长时间印象数据的\textit{super-domain}中提取知识，并进一步协助在线推荐任务（下游任务）。为此，我们提出了一种新的工业\textbf{K} nowl \textbf{E} edge \textbf{E} extraction and \textbf{P} lugging（\textbf{KEEP}）框架，该框架是一个两阶段框架，包括1）在超级域上的监督预训练知识提取模块，和2）将提取的知识合并到下游模型中的插件网络。这使得在线推荐的增量训练变得友好。此外，我们设计了一个有效的实证方法，并介绍了我们的实践经验，在实施过程中的KEEP在一个大规模的工业系统。在两个真实数据集上进行的实验表明，KEEP可以取得令人满意的结果。值得注意的是，KEEP也已经部署在阿里巴巴的展示广告系统上，带来了$+5.4\%$ CTR和$+4.7\%$ RPM的提升。
2022-08-22 cs.AI cs.IR
TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning
Tencent’s PCG (Platform and Content Group)（腾讯平台与内容事业群）
该研究提出TGR工业级推荐框架，通过CCFormer、BARGE、HiGR、TGR-Reason四个模块，解决传统推荐系统的缺陷，在多个场景取得显著指标提升，已部署服务数亿用户。
2026-09-02 cs.IR
VK-LSVD: A Large-Scale Industrial Dataset for Short-Video Recommendation
VK AI（VK人工智能）；AI Center & IAI MSU（莫斯科国立大学人工智能中心与智能分析研究所）；Lomonosov Moscow State University（莫斯科国立大学）
VK-LSVD是一个大规模工业数据集，用于提升短视频推荐系统的研究与应用
2026-02-10 cs.CY cs.IR
SPAR: Enhancing Industrial-Scale Generative POI Recommendation via Real-World Spatial Perception
AMAP, Alibaba Group（高德，阿里巴巴集团）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
SPAR框架通过三个协同阶段将真实城市空间知识注入生成式POI推荐，解决现有方法与用户实际位置脱节的问题，经多数据集实验验证有效。
2026-09-18 cs.IR
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
Platform and Content Group, Tencent（腾讯平台与内容组）；Sun Yat-sen University（中山大学）
提出HiGR框架，通过结构化语义ID和层次化解码器解决生成式推荐在工业规模下的规划效率与列表质量对齐问题，离线质量提升超10%，推理加速5倍。
2026-06-12 cs.AI cs.IR
Robust Training Objectives Improve Embedding-based Retrieval in Industrial Recommendation Systems
Snap, Inc.（斯耐普公司）
研究验证自监督多任务学习（SSMTL）鲁棒训练目标在大规模工业推荐系统中的有效性，通过在线A/B测试证明其显著提升好友推荐关键指标。
2024-09-23 cs.IR cs.LG
On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models
Google Inc.（谷歌公司）
对于工业规模的广告系统，广告点击率（CTR）的预测是一个中心问题。广告点击构成了用户参与的重要类别，并且通常被用作广告对用户有用性的主要信号。此外，在按点击收费的广告系统中，广告客户按点击收费，点击率预期直接进入价值估计。因此，CTR模型开发是大多数互联网广告公司的重大投资。针对此类问题的工程设计需要许多适用于在线学习的机器学习（ML）技术，这些技术远远超出了传统的准确性改进，特别是在效率、可重复性、校准、信用归属方面。我们提出了一个案例研究部署在谷歌的搜索广告CTR模型的实用技术。本文提供了一个行业案例研究，突出了当前ML研究的重要领域，并说明了如何评估有影响力的新ML方法并使其在大规模工业环境中发挥作用。
2022-09-12 cs.IR cs.LG
A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
本综述系统对比工业与学术推荐系统，提出基于物品特征的新分类，并强调用户决策及跨学科理论以弥合实践差距。
2025-09-07 cs.IR
Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations
Yandex
提出Gryphon架构，在生成式检索中联合训练物品级评分组件，通过直接重评分解决序列似然校准和ID碰撞问题，在工业音乐服务上Recall@1000提升3.7%，并简化候选生成流水线。
2026-06-09 cs.IR
MV-HAN: A Hybrid Attentive Networks based Multi-View Learning Model for Large-scale Contents Recommendation
工业推荐系统通常采用多源数据来提高推荐质量，而在不同数据源之间有效地共享信息仍然是一个挑战。在本文中，我们介绍了一种新的多视图方法与混合注意网络（MV-HAN）的内容检索在推荐系统的匹配阶段。该模型使高阶特征交互从各种输入功能，同时有效地转移不同类型之间的知识。通过采用适当的参数共享策略，MV-HAN大大提高了稀疏类型的检索性能。所设计的MV-HAN继承了双塔模型在在线服务中的效率优势，通过将不同类型的用户和内容映射到相同的特征空间。这使得能够使用近似最近邻算法快速检索相似内容。我们在几个工业数据集上进行了离线实验，证明了所提出的MV-HAN在内容检索任务上的性能明显优于基线。重要的是，MV-HAN部署在真实世界的匹配系统中。在线A/B测试结果表明，该方法能显著提高推荐质量。
2022-10-14 cs.IR
MultiBalance: Multi-Objective Gradient Balancing in Industrial-Scale Multi-Task Recommendation System
Meta
本文提出 MultiBalance 梯度平衡方法，通过仅平衡共享特征表示上的各任务梯度来缓解工业级多任务推荐中的负迁移问题，在 Meta 大规模广告与信息流系统上以几乎不增加训练成本实现显著性能提升。
2024-11-03 cs.IR cs.LG math.OC
Integrating Factual and Normative Industrial Knowledge via Constraint-Aware Graph Attention for Process Plan Recommendation
该研究针对工业知识整合难题，提出PCA - GAT方法，将加工工艺计划推荐转化为知识图谱增强的协同过滤问题，引入领域约束和自适应门，在航空航天数据集上效果良好，建立标准化协议并发现知识表示是瓶颈。
2026-07-28 cs.AI cs.IR
Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap
AMAP, Alibaba Group（高德地图，阿里巴巴集团）
该研究提出Gwhere框架，结合SID生成与LLM生成式下一个POI推荐，经实验验证其在高德地图中可提升P-CTR和U-CTR，已部署应用且效果显著。
2026-07-30 cs.IR
Beyond Static Collision Handling: Adaptive Semantic ID Learning for Multimodal Recommendation at Industrial Scale
University of Electronic Science and Technology of China（电子科技大学）；Kuaishou Technology（快手科技）
本文提出AdaSID框架，通过两阶段过程自适应处理多模态推荐中的语义ID碰撞问题，提升召回率和NDCG，并在工业场景中取得显著效果。
2026-04-26 cs.IR cs.MM
Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation
University of Illinois Urbana--Champaign（伊利诺伊大学厄巴纳-香槟分校）；Meta MRS
提出G2Rec框架，通过统一图建模与语义分词，实现工业级生成式推荐中用户兴趣上下文的全面准确建模。
2026-06-19 cs.AI cs.IR
PLUM: Adapting Pre-trained Language Models for Industrial-scale Generative Recommendations
Google DeepMind（谷歌DeepMind）
PLUM框架通过语义ID分词、持续预训练和生成式检索微调，将预训练语言模型适配于工业级推荐，在视频推荐数据集上显著优于生产模型，并成功部署于YouTube。
2025-10-09 cs.IR cs.LG
Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience
本文提出购买原因预测新任务，构建了区分购买原因与购后体验的数据集，经评估验证其有效性，并展示了该数据集在推荐系统等下游应用中的价值。
2024-11-15 cs.IR
LEMUR: Large scale End-to-end MUltimodal Recommendation
ByteDance（字节跳动）
针对传统推荐系统的冷启动与泛化挑战及现有多模态推荐两阶段训练的目标错位问题，提出端到端训练的大规模多模态推荐系统LEMUR，通过联合优化与记忆库机制提升效果，在抖音搜索和广告场景验证了其优越性。
2025-11-17 cs.IR
TAG-HGT: A Scalable and Cost-Effective Framework for Inductive Cold-Start Academic Recommendation
Tongji University（同济大学）
TAG-HGT通过神经符号框架实现高效冷启动学术推荐，提升召回率并大幅降低推理成本。
2025-12-18 cs.IR
Identify Then Recommend: Towards Unsupervised Group Recommendation
针对现有群体推荐模型群体数固定、依赖监督标签的问题，提出无监督框架ITR，通过自适应密度估计与合并拆分策略识别群体，结合两个自监督前置任务实现推荐，在用户与群体推荐任务上均显著提升效果并验证了工业适用性。
2024-10-31 cs.IR
LLMAR: A Tuning-Free Recommendation Framework for Sparse and Text-Rich Industrial Domains
Hitachi, Ltd. Research and Development Group（日立株式会社研发部门）；Hitachi Power Solutions Co., Ltd.（日立电力解决方案公司）
LLMAR通过无调优框架整合大语言模型推理，捕捉用户潜在动机，解决工业领域数据稀疏问题，提升推荐准确率和效率。
2026-09-11 cs.CL cs.IR
CausCF: Causal Collaborative Filtering for RecommendationEffect Estimation
为了改善公司的用户体验和利润，现代工业推荐系统通常旨在选择最有可能与之交互的项目（例如，点击和购买）。然而，他们忽略了这样一个事实，即用户甚至可以在没有推荐的情况下购买物品。为了选择这些有效的项目，必须估计建议的因果效应。真正有效的项目是那些能够提高购买概率的项目。然而，由于我们一次只能向用户推荐或不推荐一个项目，因此很难获得真正的因果效果。此外，以往的研究通常依赖于随机对照试验（RCT）来评价它们的性能。然而，由于其不可用的时间消耗，在推荐场景中通常是不可行的。为了解决这些问题，本文提出了一种因果协同过滤~（CausCF）方法。它是基于这样的想法，即相似的用户不仅对物品有相似的品味，而且在推荐下也有相似的治疗效果。CausCF将经典的矩阵分解扩展到具有三个维度的张量分解-用户，项目和治疗。此外，我们还采用回归不连续设计（RDD）来评估不同模型估计因果效应的精度。在可检验的假设下，RDD分析可以提供无偏的因果关系结论，而无需RCT实验。通过在公共数据集和工业应用上的专门实验，我们证明了我们提出的CausCF在因果效应估计和排名性能改进方面的有效性。
2021-05-28 cs.IR
GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder
Kuaishou Inc.（快手公司）
GEMs通过多流解码器框架，有效解决生成推荐中长序列处理难题，提升推荐准确性和推理效率。
2026-02-14 cs.IR
ContentWise Impressions: An Industrial Dataset with Impressions Included
Politecnico di Milano（米兰理工大学）；ContentWise（ContentWise公司）
在本文中，我们将介绍ContentWise Impersion数据集，这是一个来自Over-The-Top媒体服务的电影和电视剧的隐式交互和印象的集合，该服务通过互联网提供其媒体内容。该数据集通过印象的可用性与其他已经可用的多媒体推荐数据集区分开，即，向用户展示的建议，它的大小，以及开源。我们描述了数据汇集过程，应用的预处理，它的特点，并与其他常用的数据集相比统计。我们还强调了几个可能的用例和研究问题，这些用例和研究问题可以从开源数据集中用户印象的可用性中受益。此外，我们还发布了加载和拆分数据的软件工具，以及如何在几种常见的推荐算法中使用用户交互和印象的示例。
2020-09-19 cs.IR cs.LG
WarpRec: Unifying Academic Rigor and Industrial Scale for Responsible, Reproducible, and Efficient Recommendation
Politecnico di Bari（巴里理工大学）；Wideverse；ISTI-CNR（意大利国家研究委员会ISTI分部）；UAM（马德里自治大学）；OVS
WarpRec通过统一学术严谨性与工业规模，实现负责任、可重复和高效的推荐系统，提供高性能框架和可持续的推荐系统架构。
2026-02-19 cs.AI cs.IR
Beyond Dense Connectivity: Explicit Sparsity for Scalable Recommendation
Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团）
本文提出SSR框架，通过显式稀疏性改进推荐系统，解决密集连接与稀疏数据的结构不匹配问题，在大规模数据上实现持续性能提升。
2026-04-22 cs.IR
A Data-Centric Multi-Objective Learning Framework for Responsible Recommendation Systems
提出以数据为中心的多目标学习框架MoRec，通过三层架构（PID控制器、符号梯度、标准优化器）统一异构目标优化，解决推荐系统中目标优先级可控性不足的问题，实验证明其有效且适合实际应用。
2023-10-20 cs.IR
