type
status
date
slug
summary
tags
category
icon
password
priority
Section 1: 📊 Trend Analysis
- 🔥 召回与索引的范式革新：今日论文显示，召回阶段正从依赖近似最近邻（ANN）搜索的传统范式，向端到端联合学习Embedding与索引的“可学习索引”范式演进。Meta的工作通过构建多面分层码本，实现了线上O(1)复杂度的直接查找，在效果和效率上取得双重突破，代表了工业界对系统级瓶颈的深度优化。
- 💡 生成式推荐的技术深化：围绕语义ID（Semantic ID）的技术探索持续深入，从固定长度向可变长度演进，以更高效地适配项目流行度分布。同时，学术界开始深入诊断和解决推荐基础模型中引入高级推理能力（如CoT）时出现的性能下降问题，旨在提升LLM-as-Rec范式的鲁棒性和可靠性。
- 🔍 系统健壮性与效率的交叉关注：研究视角从单一模型效果扩展到全链路系统风险与效率。一方面，有工作警示AI生成内容污染可能导致检索系统崩溃的生态级风险；另一方面，对重排等关键模块的效率优化持续进行，通过分析Transformer内部机制来结构化地移除冗余计算，实现效果与延迟的更好平衡。
Section 2: 📋 今日速览
今日速览 |
Meta 提出可学习索引召回范式，线上O(1)查找，CTR提升、吞吐+60% ↗ |
中科大&阿里 诊断并解决推荐基础模型中CoT推理的性能下降问题 ↗ |
HSE University 提出可变长度语义ID，实现基于流行度的自适应编码 ↗ |
索邦大学等 提出MICE重排架构，移除冗余交互实现4倍加速 ↗ |
NAVER 揭示AI内容污染导致检索崩溃的风险，量化两阶段过程 ↗ |
UIUC 提出联邦跨域推荐框架FeDecider，解决LLM微调新挑战 ↗ |
布尔诺理工大学&Adobe 利用眼动数据显式建模轮播界面点击偏差 ↗ |
Section 3: 📰 Daily Digest
1. Rethinking ANN-based Retrieval: Multifaceted Learnable Index for Large-scale Recommendation System
🔗 原文： https://arxiv.org/abs/2602.16124v1
🏷️ 来源： 🏭 工业界 | Meta
⭐ 评分： ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由： Meta提出召回阶段革命性范式：端到端联合学习Embedding与索引，线上O(1)查找，显著提升效果与效率。
📝 摘要： 本文针对大规模推荐系统召回阶段ANN搜索存在的索引与Embedding学习解耦、在线计算开销大两大核心痛点，提出了一种全新的可学习索引范式MFLI。其核心创新在于通过多面残差量化构建分层码本，将向量量化、索引构建与Embedding学习进行端到端联合训练，从而在线上服务时完全消除了ANN搜索，实现O(1)复杂度的直接索引查找。该方法在Meta数十亿用户规模的视频推荐场景中进行了线上AB测试，不仅获得了CTR提升和长尾曝光大幅增加（超新鲜内容曝光+221%）的效果收益，还通过消除ANN搜索将服务吞吐量提升了60%，兼具范式创新与强大的工程落地价值。
2. Why Thinking Hurts? Diagnosing and Rectifying the Reasoning Shift in Foundation Recommender Models
🔗 原文： https://arxiv.org/abs/2602.16587v1
🏷️ 来源： 🤝 产学合作 | University of Science and Technology of China, Alibaba
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 精准诊断并解决了推荐基础模型中CoT推理导致性能下降的核心问题，方法新颖有效。
📝 摘要： 本文发现，在基于语义ID的推荐基础模型（如OpenOneRec）中引入思维链（CoT）推理会引发性能下降，其根源在于冗长的推理文本导致模型注意力偏离关键的语义ID信号。为解决此问题，作者提出了一种无需重新训练的推理时子空间对齐框架，通过使用轻量级LLM压缩推理链，并应用偏置减除对比解码技术，来校准模型的生成过程。实验表明，该方法能有效缓解由文本惯性引起的性能衰退，使基础模型在利用高级推理能力的同时，不牺牲基于ID的推荐准确性，对LLM-as-Rec和Foundation-Model方向具有重要启发。
3. Variable-Length Semantic IDs for Recommender Systems
🔗 原文： https://arxiv.org/abs/2602.16375v1
🏷️ 来源： 🎓 学术界 | HSE University
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 提出可变长度语义ID新范式，实现基于项目流行度的自适应编码，提升生成式推荐效率与效果。
📝 摘要： 针对现有固定长度语义ID忽视项目流行度分布、编码效率低的问题，本文提出了可变长度语义ID的新范式。方法基于离散变分自编码器（dVAE）与Gumbel-Softmax重参数化，在一个概率框架下学习项目自适应的编码长度，使得热门项目获得更短的标识符，而长尾/冷启动项目获得更长、更具表达力的代码。在多个大规模数据集上的实验表明，该方法在固定token预算下，能容纳更长的用户历史序列，从而将下游序列推荐任务的Recall@100提升最高达11.2%，并显著提高推荐覆盖率，为生成式推荐提供了更高效的表示基础。
4. MICE: Minimal Interaction Cross-Encoders for efficient Re-ranking
🔗 原文： https://arxiv.org/abs/2602.16299v1
🏷️ 来源： 🎓 学术界 | Sorbonne Université, CNRS, Sinequa by ChapsVision
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 提出MICE架构，通过分析交叉编码器内部机制，系统性地移除冗余交互，在保持精排效果的同时实现4倍加速。
📝 摘要： 本文旨在解决交叉编码器作为重排器时推理成本高的问题。通过对交叉编码器内部自注意力机制的深入分析，作者识别并移除了对相关性预测非必要的交互（如[CLS]到文档、查询到文档的交互），从而提出了一种名为MICE的新型类晚交互架构。该架构结合了中融合、轻量级交叉注意力和层丢弃等技术，将推理延迟降低了4倍，达到了与ColBERT相当的效率水平，同时保留了大部分交叉编码器的域内重排效果，并展现出更优的域外泛化能力，为重排模型的高效化设计提供了新思路。
5. Retrieval Collapses When AI Pollutes the Web
🔗 原文： https://arxiv.org/abs/2602.16136v1
🏷️ 来源： 🏭 工业界 | NAVER
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 首次系统揭示AI生成内容污染导致检索系统崩溃的风险，量化分析极具警示意义。
📝 摘要： 本文首次系统性地提出了“检索崩溃”的概念，用以描述AI生成内容污染对RAG/搜索引擎构成的生态系统级风险。通过模拟高质量SEO内容和对抗性内容两种污染场景，研究量化了污染从内容池到检索曝光的放大效应（例如67%的池污染可导致超过80%的曝光污染），并揭示了传统检索方法（如BM25）在对抗污染下的脆弱性（约19%的有害内容暴露）。该研究警示，检索系统可能悄然转向依赖合成证据，陷入质量下降的自我强化循环，强调了构建健壮检索系统需从内容摄入到检索全链路进行防御。
6. FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation
🔗 原文： https://arxiv.org/abs/2602.16034v1
🏷️ 来源： 🎓 学术界 | UIUC
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 首次将LLM推荐与联邦跨域推荐结合，提出方向分量解耦与个性化权重融合，解决LoRA在联邦场景下的新挑战。
📝 摘要： 本文首次探索了将基于LLM的推荐模型应用于联邦跨域推荐场景，并针对由此产生的新挑战提出了FeDecider框架。核心挑战包括：LoRA微调产生的领域特定参数更新存在尺度噪声，导致联邦聚合偏差；以及LLM的隐式表征使得跨域相似性度量困难。FeDecider通过解耦客户端LoRA更新的方向分量进行共享以消除尺度噪声，并让每个客户端学习一组个性化权重来数据感知地融合其他领域的知识。实验在多个跨域数据集上验证了该框架的有效性，为联邦学习、跨域推荐与LLM推荐的交叉领域提供了创新解法。
7. From Latent to Observable Position-Based Click Models in Carousel Interfaces
🔗 原文： https://arxiv.org/abs/2602.16541v1
🏷️ 来源： 🤝 产学合作 | Brno University of Technology, Adobe Research
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 首个利用眼动数据显式建模轮播界面用户注意力的点击模型，方法扎实，对理解复杂界面行为有启发。
📝 摘要： 本文专注于轮播界面下的位置偏差建模，提出了首个利用公开眼动追踪数据将隐变量“查看”显式化的轮播位置点击模型（OEPBM）。研究系统比较了梯度优化与经典EM、MLE方法在训练此类模型上的表现，发现梯度优化能获得更好的点击预测似然。实验表明，尽管OEPBM学到的注意力模式最贴近真实用户眼动行为，但仅优化点击预测并不能保证模型捕获真实的浏览模式，这揭示了在轮播等复杂界面下仅依赖点击数据建模用户行为的根本局限性，指出需要融合眼动等多模态信号以更准确地去偏。