type
status
date
slug
summary
tags
category
icon
password
priority
Section 1: 📊 Trend Analysis
- 🔥 工业级超长序列建模的协同优化：今日多篇论文聚焦于解决工业推荐系统的核心瓶颈。Meta的工作通过模型（Semi-Local Attention）与系统（混合精度、定制内核、内存优化）的端到端协同设计，实现了超长序列建模效率的飞跃（推理21倍提升），并带来显著的线上收益。这标志着推荐系统正从单纯追求模型复杂度，转向模型与底层计算架构深度融合的精细化优化阶段。
- 💡 长期价值（LTV）建模的工程化落地：在追求短期指标之外，如何系统性地建模和优化长期价值成为工业界关注重点。阿里巴巴的实践提供了一套完整的解决方案，通过创新的位置去偏（PDQ）、多维度归因和跨时建模模块，在精排阶段直接预测LTV，并已在线上验证了对创作者生态和用户长期留存的正面影响，展示了LTV从理论到大规模生产的可行路径。
- 💡 基础组件与训练框架的深度革新：为解决大规模推荐中的基础性问题，业界在更底层进行创新。Meta提出的MPZCH索引机制，从嵌入表存储层面根治碰撞和新鲜度问题，直接提升了模型表达能力和新内容曝光。同时，学术界推出的WarpRec框架旨在弥合学术实验与工业部署的鸿沟，通过后端无关架构和绿色AI集成，为下一代可复现、可持续的推荐研究提供了基础设施。
Section 2: 📋 今日速览
今日速览 |
Meta 提出超长序列建模协同优化方案，线上消费指标提升4.11% ↗ |
人大&美团 从LLM中间层提取自硬负样本，提升排序性能 ↗ |
阿里巴巴 提出精排阶段LTV建模框架，高质量作者VV提升4.03% ↗ |
Meta 提出零碰撞哈希索引MPZCH，提升嵌入新鲜度与新视频曝光 ↗ |
高校联盟 发布推荐系统框架WarpRec，集成绿色AI与Agentic AI接口 ↗ |
Section 3: 📰 Daily Digest
1. Bending the Scaling Law Curve in Large-Scale Recommendation Systems
🔗 原文： https://arxiv.org/abs/2602.16986v1
🏷️ 来源： 🏭 工业界 | Meta
⭐ 评分： ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由： Meta工业级实践：模型与系统协同设计，实现超长序列建模的21倍推理效率提升，线上指标显著增长。
📝 摘要： 本文针对大规模推荐系统中超长用户序列建模的计算瓶颈，提出了ULTRA-HSTU模型。通过创新的半局部注意力（SLA）机制，在保持自注意力优势的同时将复杂度降至线性，并结合混合精度训练、定制GPU内核及内存优化等系统级协同设计，实现了5.3倍训练和21.4倍推理的缩放效率提升。该方案已在Meta视频推荐平台全量部署，服务于数十亿用户，线上AB测试带来消费指标4.11%和参与度指标2-8%的显著提升，是算法与工程深度结合解决工业核心问题的典范。
2. Improving LLM-based Recommendation with Self-Hard Negatives from Intermediate Layers
🔗 原文： https://arxiv.org/abs/2602.17410v1
🏷️ 来源： 🤝 产学合作 | Renmin University of China, Meituan
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 提出从LLM中间层提取自硬负样本的偏好学习框架，显著提升LLM-based ranking性能。
📝 摘要： 本文针对LLM用于推荐任务时，传统离线负样本区分度不足的问题，提出了ILRec框架。其核心创新在于从LLM的中间层动态识别并提取细粒度的“自硬负样本”token，作为额外的负监督信号。通过设计的跨层偏好优化和跨层偏好蒸馏两阶段训练，模型能更有效地学习区分困难负例，从而提升排序性能。在多个公开数据集上的实验表明，该方法显著超越了现有的LLM-based推荐基线，为LLM-as-Rec范式下的偏好学习提供了新的有效思路。
3. A Long-term Value Prediction Framework In Video Ranking
🔗 原文： https://arxiv.org/abs/2602.17058v1
🏷️ 来源： 🤝 产学合作 | Alibaba, Tsinghua
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 阿里巴巴工业级LTV优化方案，线上验证有效，系统解决位置偏差、归因、跨时建模三大挑战。
📝 摘要： 本文提出了一套在短视频推荐精排阶段直接建模长期价值（LTV）的实用工业框架。该框架系统性地解决了三大挑战：针对位置偏差，设计了无需改动模型结构的PDQ分位数去偏模块；针对归因模糊性，提出了学习连续归因强度的多维度归因模块；针对时间局限性，构建了跨天的作者价值建模模块以捕捉创作者驱动的长期再参与。该方案作为任务增强集成到现有排序模型中，已在淘宝短视频推荐系统上线，AB测试验证其能显著提升高质量作者的视频播放次数（+4.03%）和用户长期留存，实现了长短期目标的稳定权衡。
4. Multi-Probe Zero Collision Hash (MPZCH): Mitigating Embedding Collisions and Enhancing Model Freshness in Large-Scale Recommenders
🔗 原文： https://arxiv.org/abs/2602.17050v1
🏷️ 来源： 🏭 工业界 | Meta, OpenAI
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： Meta提出解决嵌入碰撞和新鲜度问题的工业级方案，线上AB验证有效，已开源集成至TorchRec。
📝 摘要： 本文针对大规模推荐系统中嵌入表因哈希碰撞导致的性能下降和嵌入新鲜度不足问题，提出了MPZCH索引机制。该方法基于线性探测，通过两阶段探测和主动驱逐策略（如TTL/LRU），在合理配置下能实现零碰撞，并确保新ID的嵌入能从零开始有效学习，避免了陈旧嵌入的继承。尽管引入了探测开销，但其高性能CUDA内核设计保证了训练和推理效率与基线方法相当。线上AB实验表明，在Meta的视频推荐场景中，MPZCH能提升排序模型效果，并显著增加新视频的曝光（+0.83%）。该方案已集成到开源库TorchRec中。
5. WarpRec: Unifying Academic Rigor and Industrial Scale for Responsible, Reproducible, and Efficient Recommendation
🔗 原文： https://arxiv.org/abs/2602.17442v1
🏷️ 来源： 🎓 学术界 | Politecnico di Bari, Wideverse, ISTI-CNR
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 一个集成了学术严谨性和工业可扩展性的推荐系统框架，支持绿色AI和Agentic AI接口。
📝 摘要： 本文提出了WarpRec，一个旨在弥合推荐系统学术研究与工业部署间鸿沟的高性能框架。其核心是一个后端无关的架构，集成了50多种前沿算法和40多种评估指标，支持从本地单机到分布式集群的无缝切换，极大提升了实验的可复现性和向生产环境迁移的效率。框架的创新点包括原生集成CodeCarbon以追踪能耗，推动绿色AI实践，并预留了Agentic AI接口以面向下一代生成式AI生态。虽然其主要贡献在于工程框架而非推荐算法创新，但为可持续、可扩展的推荐研究提供了重要的基础设施支持。