LONGER: Scaling Up Long Sequence Modeling in Industrial Recommenders
本文提出面向工业推荐的长序列优化 Transformer 模型 LONGER，通过全局 token 机制、token 合并模块及工程优化降低长序列建模复杂度，并在字节跳动多个业务场景中取得显著效果。
2025-07-18 cs.IR
Methodologies for Improving Modern Industrial Recommender Systems
本文面向资深工程师，探讨了改进现代工业推荐系统的方法论，分享了旨在提升留存率等关键指标的行业经验。
2023-07-21 cs.IR cs.LG
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
OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender
Nanyang Technological University（南洋理工大学）；ByteDance（字节跳动）
OneTrans通过统一的Transformer架构实现特征交互和序列建模，提升工业推荐系统的性能和效率。
2026-02-02 cs.IR
An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking
LinkedIn（领英）
提出基于Transformer的序列排序模型Feed SR，在满足严格生产约束下替代DCNv2排序器，在12亿成员规模上部署，在线A/B测试显著提升用户参与度。
2026-09-17 cs.IR
Practitioners Versus Users: A Value-Sensitive Evaluation of Current Industrial Recommender System Design
推荐系统在缓解信息过载和支持用户的各种需求方面发挥着越来越重要的作用，消费、社交和娱乐。然而，有限的研究集中在价值观应如何广泛考虑在工业部署的推荐系统，忽视这可能是有问题的。为了填补这一空白，在本文中，我们采用价值敏感的设计，全面探讨从业者和用户如何认识到当前的行业推荐系统的不同价值。基于概念和实证调查，我们专注于五个价值：推荐质量，隐私，透明度，公平性和可信度。我们进一步对20名用户和10名从业者进行了深入的定性访谈，以深入了解他们对这些价值观的看法。我们的研究结果揭示了从业者和用户之间的价值解释，评价和实践方面的紧张关系的存在和来源，这为设计更以人为本和价值敏感的推荐系统提供了新的启示。
2022-08-27 cs.CY cs.HC cs.IR
Large Language Model as Universal Retriever in Industrial-Scale Recommender System
Taobao & Tmall Group of Alibaba, China（淘宝与天猫集团（阿里巴巴））
本研究提出基于大语言模型的通用检索模型URM，通过多查询表示、矩阵分解和概率采样技术，实现工业级推荐系统中多目标的高效生成式检索，性能优于专用模型并提升广告核心指标3%。
2025-05-19 cs.IR cs.LG
SORT: A Systematically Optimized Ranking Transformer for Industrial-scale Recommenders
Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团）
SORT通过系统优化的排名变压器提升工业级推荐系统性能，实现高效率和高可扩展性，显著提升业务指标并降低延迟
2026-09-01 cs.IR
Ten Challenges in Industrial Recommender Systems
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文基于华为诺亚方舟实验室十年推荐系统研发经验，结合行业技术演进趋势，提出工业推荐系统面临的十大挑战，以期为RecSys社区提供研究启发、推动推荐系统技术发展。
2023-10-07 cs.AI cs.IR
SHARK: A Lightweight Model Compression Approach for Large-scale Recommender Systems
本文提出面向大规模工业推荐系统的SHARK压缩框架，通过泰勒一阶重要性裁剪嵌入表并结合逐行量化，在快手短视频等场景实现大幅降本与QPS提升。
2023-08-18 cs.IR
OneTrans-V2: Unifying Retrieval, Pre-rank, and Fine-rank with One Transformer in Industrial Recommender
ByteDance Global E-Commerce Recommendation Foundation Team（字节跳动全球电商推荐基础团队）
OneTrans-V2用一个Transformer统一工业推荐系统的召回、粗排和精排，通过联合训练、稀疏MoE和决策条件生成式召回，提升GMV 9.74%并实现3.2倍吞吐量。
2026-09-25 cs.IR
M6-Rec: Generative Pretrained Language Models are Open-Ended Recommender Systems
工业推荐系统已经变得越来越复杂，可能涉及诸如电子商务产品和用户生成的内容的\emph{diverse domains}，并且可以包括诸如检索、排名、解释生成甚至AI辅助的内容制作的\emph{a myriad of tasks}。到目前为止，主流的方法是为每个领域和每个任务开发单独的算法。在本文中，我们探讨了开发一个统一的基础模型，以支持\emph{open-ended domains and tasks}在工业推荐系统，这可能会减少对下游设置的数据的需求，并可以通过避免训练一个单独的模型从头开始为每一个任务的碳足迹最小化的可能性。由于（i）潜在的无限下游域和任务集，以及（ii）现实世界系统对计算效率的强调，导出统一的基础是具有挑战性的。因此，我们以M6为基础，M6是一种现有的大规模工业预训练语言模型，类似于GPT-3和T5，并利用M6的预训练能力进行样本高效的下游适应，将用户行为数据表示为纯文本，并将任务转换为语言理解或生成。为了应对紧张的硬件预算，我们提出了一个改进版本的提示微调，优于微调与可忽略的1\%的任务特定的参数，并采用技术，如后期交互，提前退出，参数共享，修剪，以进一步减少推理时间和模型的大小。我们展示了基础模型的多功能性，广泛的任务，如检索，排名，zero-shot推荐，解释生成，个性化内容创建和会话推荐，并设法将其部署在云服务器和移动设备。
2022-05-19 cs.IR
Adaptive Domain Scaling for Personalized Sequential Modeling in Recommenders
本文提出自适应领域缩放（ADS）模型，通过个性化序列表示生成和个性化候选表示生成两个模块动态学习多领域下的用户行为序列和候选目标表示，有效提升了目标感知序列建模的个性化能力，并在工业数据及抖音业务场景中取得显著效果。
2025-04-28 cs.IR
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段，用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索，以有效地衡量用户的兴趣项目从庞大的候选池。然而，现有的工作主要是建立在预定义的检索渠道，包括用户CF（U2 U），项目CF（I2 I），嵌入式检索（U2 I），从而访问用户和项目之间的有限的相关性，这仅仅需要从潜在的交互的部分信息。在本文中，我们提出了一个模型无关的综合跨渠道（MIC）的方法，最大限度地利用固有的多渠道互信息，以提高匹配性能的大规模推荐。具体来说，MIC鲁棒模型内的用户-项目，用户-用户，项目-项目从潜在的相互作用在一个通用的模式。对于每个通道，MIC自然地将对与语义相似性对齐，并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计，但MIC直观地将其视为一个整体，使用户和项目之间的完整信息流。因此，MIC可以很容易地插入到其他检索推荐系统。大量的实验表明，我们的MIC帮助几个国家的最先进的模型，提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
RankMixer: Scaling Up Ranking Models in Industrial Recommenders
本文提出硬件感知的 RankMixer 特征交互架构，利用多头部 token 混合、Per-token FFN 与 Sparse-MoE 提升排序模型的 GPU 利用率和可扩展性，并在工业推荐与广告场景验证收益。
2025-07-26 cs.IR
Latent User Intent Modeling for Sequential Recommenders
Google, Inc.（谷歌公司）
顺序推荐模型是现代工业推荐系统的重要组成部分。这些模型学习基于用户在平台上的交互历史来预测用户可能与之交互的下一个项目。然而，大多数顺序浏览器缺乏对用户意图的更高层次的理解，这通常会驱动用户的在线行为。因此，意图建模对于理解用户和优化长期用户体验至关重要。我们提出了一种概率建模方法，并制定用户的意图作为潜在变量，这是推断的基础上，使用变分自编码器（VAE）的用户行为信号。然后，在给定推断出的用户意图的情况下，相应地调整推荐策略。我们通过离线分析以及在大型工业推荐平台上的现场实验证明了潜在用户意图建模的有效性。
2023-03-27 cs.IR cs.LG
Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study
Google LLC（谷歌公司）
本文针对工业级异构推荐信息流排序难题，提出HA-MoE架构与LENS框架，采用DL-AUC评估，离线与在线实验均证实其能有效管理推荐系统的异构性。
2026-07-31 cs.IR cs.LG
An Incremental Update Framework for Online Recommenders with Data-Driven Prior
针对在线推荐增量更新易过拟合新数据的问题，提出数据驱动先验框架，融合特征先验与模型先验，在多个数据集上验证了其优越性能。
2023-12-26 cs.IR
Understanding and Mitigating Training Instability in Large-Scale Recommender Systems: A Cascade Perspective
Google（谷歌）
本文针对大规模短视频推荐系统训练中出现的G-W-L级联发散问题，提出了梯度控制、权重/激活稳定、损失塑形的结构化缓解框架，经实证验证可有效解决训练不稳定性问题。
2026-10-14 cs.IR cs.LG
Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models
Meituan（美团）
针对现有推荐模型在样本信息扩展和模型容量扩展中的结构局限，提出SIF方法，通过样本分词器将历史原始样本编码为令牌样本，并利用SIF-Mixer进行同质化特征交互，从而最大化保留样本信息并解决序列与非序列特征异质性问题。
2026-07-17 cs.IR
COUPA: An Industrial Recommender System for Online to Offline Service Platforms
Ant Group（蚂蚁集团）
本文提出工业推荐系统 COUPA，通过时间感知点过程和个性化位置选择器刻画用户偏好并缓解位置偏差，已在支付宝 O2O 场景部署并验证效果。
2023-04-25 cs.IR cs.LG
DAS: Dual-Aligned Semantic IDs Empowered Industrial Recommender System
Kuaishou Technology（快手科技）
DAS通过双对齐语义ID方法，提升推荐系统中多模态内容整合与协同信号对齐效率，有效解决信息损失与灵活性问题。
2025-11-24 cs.IR
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
Kuaishou Technology（快手科技）
本文提出HarmonRank框架，通过提升排名一致性和共同性建模，改进推荐系统中的多目标集成方法，实现性能和鲁棒性的提升。
2026-02-09 cs.IR
A Model-based Multi-Agent Personalized Short-Video Recommender System
本文提出基于强化学习与协作式多智能体的短视频推荐框架，通过基于模型的学习缓解样本选择偏差，最大化用户观看时长，并已在数亿用户规模的平台上部署验证。
2024-05-03 cs.AI cs.IR
Knowledge-aware Autoencoders for Explainable Recommender Sytems
推荐系统被广泛用于帮助用户找到他们正在寻找的信息，从而解决信息过载的问题。经过几年的研究和工业发现，寻找更好的算法来提高准确性和多样性指标，推荐的解释服务作为一种工具正在获得动力，在大多数情况下，通过黑箱机器学习技术计算的结果提供人类可理解的反馈。事实上，解释可以保证用户对系统的满意度、信任度和忠诚度。在本文中，我们评估如何不同的信息编码在知识图谱被认为是由用户时，他们被采用，以显示他们的解释。更确切地说，我们比较如何使用分类信息，事实的一个或两者的混合物在建设的解释，影响解释标准的推荐系统。实验结果通过A/B测试平台进行验证，该平台使用基于语义感知自动编码器的推荐引擎来构建用户配置文件，这些配置文件又被用来计算推荐列表并提供解释。
2018-07-17 cs.IR
NOVA: A Verification-Aware Agent Harness for Architecture Evolution in Industrial Recommender Systems
Tencent Inc.（腾讯公司）
提出NOVA框架，通过架构梯度、验证级联和层级任务控制实现工业推荐模型架构的自动化演化，有效减少静默失败，缩短文献到生产周期13倍以上。
2026-07-29 cs.IR cs.SE
AgenticRS-Architecture: System Design for Agentic Recommender Systems
University of Chinese Academy（中国科学院大学）；Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
本文提出AgenticRS架构，通过交互式进化代理实现推荐系统全生命周期自动化，核心模块包括AutoTrain、AutoFeature和AutoPerf，实现模型、特征和资源的自适应演化。
2026-04-09 cs.IR
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索（EBR）系统的推荐共享与顺序查询相似的思想。其中，如何全面捕捉序列用户兴趣是一个根本性的问题。然而，大多数现有的顺序推荐模型作为输入点击或购买的行为序列，从用户项目的交互。这导致不全面的用户表示和次优的模型性能，因为它们忽略了完整的用户行为暴露数据，即，用户印象深刻但未点击的项目。在这项工作中，我们试图采用一种新的学习方法，以探索更好的顺序推荐技术，将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络，并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性，并验证了未点击项目在顺序推荐中的重要性。此外，我们部署我们的新模型（命名为XDM）在淘宝推荐系统的EBR，性能优于部署的前一代SDM。
2022-03-31 cs.IR
Compress, Cross and Scale: Multi-Level Compression Cross Networks for Efficient Scaling in Recommender Systems
Bilibili Inc.（哔哩哔哩公司）
本文提出MLCC和MC-MLCC架构，通过多级压缩和动态组合实现高效特征交互，提升推荐系统在参数和计算效率上的表现。
2026-02-12 cs.IR
Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems
University of Chinese Academy（中国科学院大学）；Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
本文提出基于代理的推荐系统，通过将关键模块转化为代理，实现动态进化，解决传统多阶段和单模型设计的静态问题。
2026-04-09 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
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下，这种列表式的解释应该为用户提供多样化和相关的选项。然而，在实践中，列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成，该排名函数从标记数据中学习以优化准确性。然而，top-N推荐可能会导致次优，因为它单独关注每个项目的准确性，而忽略了项目之间的相互影响。因此，我们提出了一个个性化的重新排序模型，以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后，任何现有的排名功能。重排序模型采用个性化的决定点过程（DPP），提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度，但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制，我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明，我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
Pareto-based Multi-Objective Recommender System with Forgetting Curve
针对推荐系统负反馈处理问题，提出结合艾宾浩斯遗忘曲线与帕累托优化的多目标推荐系统PMORS，在短视频场景的公开、工业数据集及微信视频号上线后均取得良好效果，GMV最高提升1.45%。
2024-02-01 cs.IR
Towards Next-Generation LLM-based Recommender Systems: A Survey and Beyond
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；School of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；MRS, Meta AI（Meta AI MRS）；Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能学院）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学及人工智能系）
本文从推荐系统视角提出基于LLM推荐系统的三层分类法，梳理其从表示理解、策划利用到工业部署的研究进展、实践差距、挑战与机遇。
2024-10-10 cs.AI cs.IR
Neural Re-ranking in Multi-stage Recommender Systems: A Review
重排序作为多级推荐系统的最后一步，通过对输入排序列表的重新排列，直接影响到用户体验和满意度，在多级推荐系统中起着至关重要的作用。随着深度学习的发展，神经重排序已成为一个热门话题，并在工业应用中得到广泛应用。这篇综述旨在将重新排序算法整合到更广阔的图景中，并为未来的研究提供更全面的解决方案。为了这个目的，我们首先提出了一个分类的神经重新排序的当前方法。然后根据这些方法的目标，对它们的历史发展进行了描述。网络结构，个性化和复杂性也进行了讨论和比较。接下来，我们提供了主要的神经重排序模型的基准，并定量分析其重排序性能。最后，对该领域的发展前景进行了展望。本文中讨论的论文列表、基准数据集、我们的重新排名库LibRerank以及详细的参数设置可在https://github.com/LibRerank-Community/LibRerank上公开获取。
2022-04-16 cs.IR
Synthetic Data-Based Simulators for Recommender Systems: A Survey
ITMO University（圣彼得堡国立信息技术机械与光学大学）；Sber AI Lab（俄罗斯联邦储蓄银行人工智能实验室）；AIRI（人工智能研究所）；Sber（俄罗斯联邦储蓄银行）
本次调查的目的是提供一个全面的概述，在该领域的建模和仿真（M &S）的用户和推荐系统之间的交互和应用程序的M&S的工业推荐引擎的性能改进的最新趋势。我们从开发实现模拟的框架（模拟器）背后的动机开始，以及将它们用于训练和测试不同类型的推荐系统（包括强化学习系统）。此外，我们提供了一个新的一致的分类现有的模拟器的基础上，他们的功能，认可，和工业的有效性，而且使研究文献中发现的模拟器的总结。除此之外，我们还讨论了模拟器的构建模块：合成数据（用户，项目，用户-项目响应）生成方法，假设实验分析方法，用于模拟质量评估的方法和数据集（包括监控和/或关闭可能的模拟与现实差距的方法），以及总结实验模拟结果的方法。最后，本调查认为，在该领域的新出现的主题和开放的问题。
2022-06-22 cs.IR cs.LG cs.PF
A Comprehensive Survey on Retrieval Methods in Recommender Systems
本综述全面探讨了推荐系统中常被忽视的检索阶段，总结了改进相似度计算、增强索引机制和优化训练方法三大关键领域的现有工作，并通过公开数据集基准实验和工业案例研究，为级联推荐系统检索优化提供了基石。
2025-10-11 cs.IR
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
RecSys Factory: Bounding LLM Agent Autonomy to Decision Points in the Industrial Recommender Lifecycle
Tencent（腾讯）；FiT（腾讯FiT）
RecSys Factory 是限制 LLM 智能体自主到决策点的平台，解决工业推荐系统运营的三角困境，在腾讯三业务线部署 78 天，CLI 调度成功率达 78.6%。
2026-08-13 cs.AI cs.IR
Pre-train and Fine-tune: Recommenders as Large Models
The Chinese University of Hongkong, Shenzhen（香港中文大学（深圳））；Alibaba Group（阿里巴巴集团）
针对用户兴趣剧变，将推荐系统视为大型预训练模型，提出信息感知自适应核（IAK）技术进行微调，在十亿级平台部署并获显著收益。
2025-01-24 cs.AI cs.IR
Quantitative analysis of Matthew effect and sparsity problem of recommender systems
HC Research（HC研究院）；HC Financial Service Group（HC金融服务集团）
推荐系统已经获得了巨大的商业成功。推荐技术在电子商务、在线音乐FM、在线新闻门户等领域得到了广泛的应用，然而与输入数据结构相关的一些问题对推荐系统的性能提出了严峻的挑战。其中两个问题是马太效应和稀疏性问题。马太效应严重地使推荐系统的输出偏向于受欢迎的项目。数据稀疏性问题直接影响推荐结果的覆盖率。协同过滤是一个简单的基准普遍采用的行业作为基线推荐系统的设计。了解协同过滤的底层机制是进一步优化的关键。本文对协同过滤特定上下文环境下的马太效应和稀疏性问题进行了深入的定量分析。我们比较了基于用户和基于项目的协同过滤的基本机制，并为工业推荐系统的构建者提供了见解。
2019-09-24 cs.IR cs.LG
UMRE: A Unified Monotonic Transformation for Ranking Ensemble in Recommender Systems
本文提出统一单调排序集成框架 UMRE，用无约束单调神经网络替代手工变换，并结合轻量级排序模型与帕累托最优策略，实现推荐系统多目标融合的自动化、排序一致性与个性化。
2025-08-18 cs.IR
CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems
Meta Inc.（Meta公司）
CAM2通过因果建模将用户从众行为与真实兴趣解耦，构建从众感知的多任务排序模型，在Facebook Watch上实现用户参与度提升0.50%和日活用户增长0.21%。
2023-04-17 cs.IR cs.LG
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
Towards Large-scale Generative Ranking
本文研究生成式排序在大规模工业推荐中的可行性与有效性，提出生成式排序架构 GenRank，并在小红书探索信息流中通过在线 A/B 实验验证其以相近计算资源显著提升用户满意度。
2025-05-08 cs.IR
Advancing Model Research in AgentX: Long-Horizon Autonomy for Industrial Recommender Systems
AgentX-Model通过双智能体架构和四个研究动作，在工业推荐系统中实现长时程自主模型研究，生产评估中560/636实验AUC超基线，在线A/B测试带来多项业务收益。
2026-09-25 cs.AI cs.IR
Exponential Reward Weighting for Fine-Tuning Generative Recommenders under Sparse and Noisy Feedback
Netflix Research（Netflix研究院）
针对稀疏含噪反馈下生成式推荐器的过优化问题，提出Exp-RSFT方法，通过指数奖励加权和温度λ平衡覆盖与噪声成本，在多数据集上验证其优于PPO、DPO，可提升排序性能且无需额外数据。
2026-08-04 cs.IR
Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding
本文针对基于LLM的推荐系统离线知识生成效率低的问题，提出LASER框架，通过定制检索池和宽松验证机制加速推理，在公开数据集上实现3-5倍加速并节省约67%计算资源，且保持无损推荐性能。
2025-04-29 cs.IR
CCFormer: Efficient Cross-Field Interaction and Hierarchical Sequence Compression for Industrial Recommendation at Tencent
Platform and Content Group, Tencent（腾讯平台与内容事业群）
CCFormer是腾讯提出的高效Transformer骨干网络，通过跨域交互与分层序列压缩技术，在工业推荐场景中取得显著性能提升，已部署于腾讯生产系统服务核心流量。
2026-10-30 cs.IR
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
Kuaishou Technology（快手科技）；Unaffiliated（无隶属）
提出Taiji框架，通过逆向工程推理和开放拒绝采样生成高质量CoT数据，并采用帕累托最优策略优化（POPO）自适应调整跨域奖励权重，实现LLM语义知识与推荐ID特征的帕累托最优权衡，在快手广告平台部署后服务超4亿日活用户。
2026-06-02 cs.AI cs.CL cs.IR
Proactive Recommendation with Iterative Preference Guidance
针对传统推荐系统被动迎合用户兴趣易引发过滤气泡等问题，提出迭代偏好引导（IPG）框架，以后处理方式结合交互概率与引导价值排序物品，可在保证准确率的同时有效引导用户兴趣向目标发展。
2024-03-12 cs.IR
Toward a New Protocol to Evaluate Recommender Systems
在本文中，我们提出了一种方法来分析的性能和附加值的自动推荐系统在工业背景下。我们表明，推荐系统是多方面的，可以围绕4个结构化功能：帮助用户决定，帮助用户比较，帮助用户发现，帮助用户探索。然后提出了一个全局离线协议来评估推荐系统。该方案基于对上述每个功能的适当评价措施的定义。评价协议的有用性和信任的建议的角度进行了讨论。引入了一种称为平均影响度量的新度量。该度量评估个性化推荐的影响。我们使用两种经典方法，K-最近邻（KNN）和矩阵分解（MF），使用众所周知的数据集：Netflix。提出了用户和项目的分割，以精细地分析算法的表现好或坏。我们表明，性能是强烈依赖于段，并有没有明确的RMSE和推荐的质量之间的相关性。
2012-09-10 cs.IR cs.PF
Macro Graph Neural Networks for Online Billion-Scale Recommender Systems
本文提出宏观推荐图 MAG 与 MacGNN，通过聚合行为相似的用户和物品将十亿节点压缩至数百个，在保持高效的同时显著提升十亿级在线推荐的 CTR 预测效果。
2024-05-08 cs.IR
LongRetriever: Towards Ultra-Long Sequence based Candidate Retrieval for Recommendation
针对推荐系统候选检索阶段超长期序列利用不足的问题，提出LongRetriever框架，通过上下文内训练和多上下文检索实现候选特异性交互与训练-服务一致性，经大型电商平台A/B测试验证有效并已部署。
2025-08-25 cs.IR
