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
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
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
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
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
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
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
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
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
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
TokenMixer-Large: Scaling Up Large Ranking Models in Industrial Recommenders
ByteDance AML(字节跳动 AML);ByteDance(字节跳动)
TokenMixer-Large通过引入混合与反向操作、层间残差和辅助损失,提升了工业推荐系统中大型排序模型的扩展能力,实现了参数规模的显著提升和性能的显著改善。
2026-02-10 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
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
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
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
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
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
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
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
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
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
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
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
Lending Interaction Wings to Recommender Systems with Conversational Agents
针对传统推荐系统在线捕捉用户偏好的需求,提出即插即用的CORE对话推荐范式,通过不确定性最小化框架连接对话智能体与推荐系统,经工业数据集验证可适配多种主流推荐方法,结合大模型可实现类人交互。
2023-10-06 cs.IR
Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems
Huawei Technologies Canada(华为技术加拿大)
针对交互图存在漏链和虚假正向交互的问题,提出融合用户偏好、物品共现与图结构信息的贝叶斯图生成模型,并在四个基准数据集上验证其推荐有效性。
2024-01-22 cs.IR cs.LG
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
FairFS: Addressing Deep Feature Selection Biases for Recommender System
University of Science and Technology of China(中国科学技术大学);Huawei Noah's Ark Lab(华为诺亚实验室)
FairFS通过正则化和聚合方法解决推荐系统中深度特征选择的层、基线和近似偏差问题,提升特征选择的准确性和效率。
2026-02-23 cs.IR cs.LG
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
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
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
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
Task-Blind No MORE: Multi-Task Information Flow in Unified Ranking Backbones
Hello Group(好未来);University of Science and Technology of China(中国科学技术大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Beijing Information Science and Technology University(北京信息科技大学)
针对统一排序骨干缺乏任务感知信息流的问题,提出MORE模型,在骨干内嵌入多任务信息流,通过锚定令牌实现任务协同演化,在工业数据及线上测试中全面超越基线并显著降低延迟。
2026-09-09 cs.IR
TokenMinds: Pretrained User Tokens and Embeddings for User Understanding in Large Recommender Systems
Google DeepMind(谷歌DeepMind)
提出TokenMinds系统,通过编码器-解码器架构生成基于语义ID的离散用户令牌和稠密嵌入,实现互补优势,并在YouTube全流量部署验证其工业可行性。
2026-10-28 cs.AI cs.IR cs.LG
AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems
提出AgentX多智能体系统,通过闭环迭代自动生成、实施、评估推荐实验,实现工业推荐系统的自进化,突破人工瓶颈。
2026-06-29 cs.AI cs.CL 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
Enhancing Interpretability and Effectiveness in Recommendation with Numerical Features via Learning to Contrast the Counterfactual samples
Kuaishou Technology(快手科技)
该研究提出模型无关的CCSS框架,通过合成并对比反事实样本建模神经网络输出与数值特征的单调性,经公开和工业数据集验证有效,已在大规模工业推荐系统落地服务数亿用户。
2025-09-03 cs.IR cs.LG
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
HeMix: Scaling Industrial Ranking Models with Heterogeneous Token Mixing
AMAP, Alibaba Group(高德地图,阿里巴巴集团)
HeMix是一种适用于工业推荐系统的可扩展CTR模型,通过混合兴趣提取和异构交互结构提升推荐准确性。
2026-09-01 cs.IR
Aggregate and Broadcast: Scalable and Efficient Feature Interaction for Recommender Systems
Kuaishou Technology(快手科技)
INFNet通过线性复杂度实现可扩展、任务感知的特征交互,提升推荐系统性能和扩展性。
2026-01-26 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
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
Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
DotDash Meredith;NBC Universal Peacock(NBC环球孔雀)
本文提出增强型 EASE 推荐模型,通过融合用户与物品辅助特征获得闭式解,在不引入额外偏差的前提下改善冷热启动推荐性能。
2025-05-15 cs.IR cs.LG
AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System
Peking University(北京大学);HULU LLC(HULU有限责任公司);Alibaba Group(阿里巴巴集团)
近年来,深度学习模型在工业推荐系统中得到了广泛的应用,并提高了推荐质量。虽然任务感知推荐系统已经取得了显著的成功,但其设计通常需要领域专家的手工特征工程和架构工程。为了减轻这些人的努力,我们探索神经结构搜索(NAS)的潜力,并介绍AMEIR的自动行为建模,交互探索和多层感知器(MLP)调查的推荐系统。AMEIR的核心贡献是三级搜索空间和定制的三步搜索管道。AMEIR将完整的推荐模型划分为行为建模、交互探索、MLP聚合三个阶段,并引入了一个新的搜索空间,其中包含三个定制的子空间,覆盖了现有的大多数方法,从而可以搜索到更好的模型。为了高效地找到理想的体系结构,AMEIR在三个阶段逐步实现推荐中的一次随机搜索,并将搜索结果汇总为最终结果。进一步的分析表明,AMEIR的搜索空间可以覆盖大多数有代表性的推荐模型,这证明了我们设计的通用性。在各种场景下的大量实验表明,AMEIR优于精心手工设计的竞争基线和领先的算法复杂的NAS方法,具有较低的模型复杂度和可比的时间成本,表明所提出的方法的有效性,效率和鲁棒性。
2022-06-14 cs.IR cs.LG stat.ML
VM-Rec: A Variational Mapping Approach for Cold-start User Recommendation
针对冷启动推荐中用户辅助信息不足和训练成本高的问题,本文提出VM-Rec方法,通过变分映射将少量初始交互解码为可直接集成到预训练模型的表达性嵌入,并在三个数据集上验证了其优于现有冷启动方法的性能。
2024-09-02 cs.IR
Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems
Taboola Israel(Taboola以色列)
提出一种秩感知分解方法,通过将上下文相关计算从每个候选一次减少为每个请求一次,在不改变模型预测的情况下显著提升工业推荐系统的吞吐量。
2026-05-24 cs.IR cs.LG
ERASE: Benchmarking Feature Selection Methods for Deep Recommender Systems
City University of Hong Kong(香港城市大学)
针对深度推荐系统特征选择领域实验设置不统一、分析不全面、仅关注峰值性能的问题,本文提出综合基准ERASE,评估11种方法在多类数据集与商业平台的表现,代码已开源。
2024-06-19 cs.AI cs.IR
i-Razor: A Differentiable Neural Input Razor for Feature Selection and Dimension Search in DNN-Based Recommender Systems
Tsinghua-Berkeley Shenzhen Institute (TBSI), Tsinghua University(清华大学深圳国际研究生院(清华-伯克利深圳学院));ByteDance Inc(字节跳动有限公司)
针对DNN推荐系统中特征选择与维度搜索顺序优化导致次优配置的问题,提出可微分神经输入剃刀i-Razor,实现联合优化,并在大规模CTR数据集上验证其有效性与优越性。
2023-11-12 cs.AI cs.IR cs.LG
EnhancedRL: An Enhanced-State Reinforcement Learning Algorithm for Multi-Task Fusion in Recommender Systems
Tencent Inc.(腾讯公司)
EnhancedRL通过引入增强状态和定制的actor-critic框架,提升推荐系统多任务融合的性能,实现用户有效消费和持续时间的显著提升。
2025-12-05 cs.IR cs.LG