type
status
date
slug
summary
tags
category
icon
password
priority
Section 1: 📊 Trend Analysis
- 🔥 生成式推荐进入工业深水区：今日多篇论文（阿里、快手、Google）展示了生成式推荐在工业场景（电商、广告、视频）的系统性落地。技术焦点已从范式验证转向解决实际部署瓶颈，如带业务约束的高效解码（Google）、全链路架构与学习范式设计（快手）、多任务指令驱动（阿里），并均通过线上A/B测试验证了显著的商业收益（GMV/收入提升4%-8%）。
- 💡 LLM在推荐中的角色精细化分工：LLM的应用呈现出清晰的层次：1）LLM-as-Rec（作为推荐器主干），直接生成物品语义ID，是今日多篇高星论文的核心；2）LLM-for-Rec（作为辅助工具），如Apple利用微调LLM进行海量数据标注以增强排序模型，或学术界研究其内部注意力机制以优化重排效率。不同角色对应不同的工程复杂度和价值点。
- 🔧 推理效率成为工业落地的关键考量：无论是生成式推荐还是传统排序模型，极致优化推理延迟和资源消耗是共同主题。Google的STATIC框架通过向量化实现千倍级约束解码加速，快手的MaRI通过结构重参数化实现无损推理加速，以及Selective-ICR策略通过层选择降低LLM重排延迟，都体现了在效果与效率间寻求最优解的工程智慧。
Section 2: 📋 今日速览
今日速览 |
阿里 提出指令驱动生成式多任务推荐SIGMA，线上GMV+7.84% ↗ |
快手 发布广告生成式推荐全链路方案GR4AD，线上收入+4.2% ↗ |
Google 提出向量化约束解码STATIC，实现千倍加速与线上新鲜观看+5.1% ↗ |
Apple 利用微调LLM生成文本相关性标签，增强搜索排序，转化率+0.24% ↗ |
快手 提出结构重参数化推理加速框架MaRI，粗排阶段实现1.3倍加速且指标无损 ↗ |
快手 提出残差量化序列学习框架RQ-Reg，用于GMV预测，线上ADVV指标+4.19% ↗ |
中科大 为LLM推荐提出细粒度语义ID初始化与对齐方案TS-Rec，提升生成效果 ↗ |
昆士兰大学 深度剖析LLM重排内部注意力机制，提出高效Selective-ICR策略，降延迟30%-50% ↗ |
蒙特利尔大学 提出参数高效的动态稠密检索DDR，通过前缀路由实现跨域适应 ↗ |
Section 3: 📰 Daily Digest
1. SIGMA: A Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress
🔗 原文： https://arxiv.org/abs/2602.22913v1
🏷️ 来源： 🏭 工业界 | Alibaba
⭐ 评分： ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由： 阿里速卖通生成式多任务推荐系统，线上GMV+7.84%，指令驱动范式与混合Token化设计极具工业参考价值。
📝 摘要： 本文介绍了阿里巴巴速卖通（AliExpress）提出的指令驱动生成式多任务推荐系统SIGMA，旨在解决传统交互式推荐难以快速适应业务变化和多样化任务需求的问题。其核心创新包括：1）一个多视角语义对齐框架，将通用语义与平台物品统一嵌入；2）一种混合物品Token化方法（SID前缀+唯一ID），以平衡语义泛化与物品特异性；3）一个自适应概率融合机制，根据任务指令动态调整输出分布，以兼顾推荐精度与多样性。该系统已通过线上A/B测试验证，在多个推荐任务上带来了GMV提升7.84%的显著业务收益，是生成式推荐范式下系统性工业实践的典范。
2. Generative Recommendation for Large-Scale Advertising
🔗 原文： https://arxiv.org/abs/2602.22732v1
🏷️ 来源： 🏭 工业界 | Kuaishou
⭐ 评分： ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由： 快手广告生成式推荐全链路工业实践，线上收入+4.2%，方法创新且系统性强。
📝 摘要： 本文提出了快手广告场景下的生成式推荐全链路解决方案GR4AD。针对广告业务特点，设计了统一广告语义ID（UA-SID）以融合多模态与业务信息，并创新性地提出了LazyAR解码器以优化短序列多候选生成的效率。在优化层面，结合了价值感知监督学习（VSL）与排序引导的Softmax偏好优化（RSPO），直接以列表级业务指标（如eCPM）为目标进行强化学习。线上A/B测试表明，GR4AD相比原有DLRM基线带来了最高4.2%的广告收入提升，并已全量部署于服务超4亿用户的快手广告系统，验证了生成式推荐在大规模广告场景的落地价值。
3. Vectorizing the Trie: Efficient Constrained Decoding for LLM-based Generative Retrieval on Accelerators
🔗 原文： https://arxiv.org/abs/2602.22647v1
🏷️ 来源： 🏭 工业界 | Google, YouTube, Google DeepMind
⭐ 评分： ⭐⭐⭐⭐⭐ (5/5)
🎯 推荐理由： Google YouTube团队提出首个生产级严格约束生成式检索方案，实现千倍加速与显著线上收益。
📝 摘要： 本文解决了LLM-based生成式检索在工业部署中的核心瓶颈——如何高效执行带业务约束（如内容新鲜度）的解码。作者提出了STATIC框架，通过将传统前缀树（Trie）扁平化为静态稀疏矩阵（CSR格式），将不规则的树遍历转化为完全向量化的稀疏矩阵操作，从而在TPU/GPU等硬件加速器上实现了极致的解码效率。该方法在YouTube大规模视频推荐平台上部署，单步解码延迟开销仅0.033ms，相比CPU Trie实现有948倍加速。线上A/B测试施加“过去7天”新鲜度约束，成功将7天内新鲜视频的观看量提升了5.1%，是首个生产级严格约束生成式检索的成功实践。
4. Scaling Search Relevance: Augmenting App Store Ranking with LLM-Generated Judgments
🔗 原文： https://arxiv.org/abs/2602.23234v1
🏷️ 来源： 🏭 工业界 | Apple
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： Apple利用微调LLM生成海量文本相关性标签，增强排序模型，线上转化率显著提升，长尾query收益最大。
📝 摘要： 本文针对App Store搜索排序中文本相关性标签稀缺的问题，提出利用微调后的LLM作为“标注器”来生成海量高质量的文本相关性标签。关键发现是，在领域数据上微调的小模型（3B）其标注质量显著优于大得多的预训练模型（30B）。将这些LLM生成的标签作为额外训练数据注入生产排序器（一个多目标学习排序模型）后，离线实验显示模型的Pareto前沿向外移动，即行为相关性与文本相关性同时得到提升。全球范围的线上A/B测试验证了该方法带来了0.24%的转化率提升，且收益主要来源于行为信号稀疏的长尾查询。
5. MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
🔗 原文： https://arxiv.org/abs/2602.23105v1
🏷️ 来源： 🏭 工业界 | Kuaishou
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 快手提出的无损推理加速方法，线上验证粗排阶段1.3倍加速且指标无损，工业落地价值明确。
📝 摘要： 本文提出了一种基于结构重参数化的无损推理加速框架MaRI，旨在优化排序模型中特征融合矩阵乘法的冗余计算。其核心洞察是，在推理时用户侧特征会被复制以匹配批次维度，导致计算重复。MaRI通过数学等价变换，将原始计算解耦为用户、物品和交叉特征三部分，从而消除用户侧的冗余计算。该方法无需改变训练流程，仅在推理时进行变换。框架还包含图着色算法来自动识别可优化节点。在快手直播推荐场景的线上A/B测试中，MaRI在粗排阶段实现了1.32倍的推理加速、2.2%的延迟降低和5.9%的资源节省，且核心业务指标保持无损。
6. Sequential Regression for Continuous Value Prediction using Residual Quantization
🔗 原文： https://arxiv.org/abs/2602.23012v1
🏷️ 来源： 🏭 工业界 | Kuaishou
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 快手提出残差量化序列学习框架，有效解决GMV、观看时长等连续值预测难题，线上收益显著。
📝 摘要： 本文针对推荐系统中GMV、观看时长等连续值预测任务，提出了基于残差量化（RQ）的序列学习框架。该方法将目标连续值表示为有序量化码的和，通过序列模型从粗到细粒度递归预测这些码，从而逼近真实值。为了提升量化码嵌入的表征能力，引入了基于对比学习的Rank-N-Contrast损失，使嵌入空间与目标值的排序结构对齐。在快手短视频广告场景的大规模线上A/B测试中，该模型相比基线加权逻辑回归（WLR）在GMV预测任务上带来了0.12%的AUC提升和4.19%的广告主价值（ADVV）提升，尤其在长尾商品上效果更显著。
7. Fine-grained Semantics Integration for Large Language Model-based Recommendation
🔗 原文： https://arxiv.org/abs/2602.22632v1
🏷️ 来源： 🎓 学术界 | University of Science and Technology of China, National University of Singapore
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 为LLM-based生成式推荐中的语义ID建模提供了精细化的语义初始化与对齐方案，方法扎实有效。
📝 摘要： 本文针对LLM-based生成式推荐中语义ID（SID）建模的两个核心挑战——随机初始化导致语义割裂、以及现有对齐任务粒度粗糙——提出了TS-Rec框架。该框架包含两个关键组件：语义感知嵌入初始化（SA-Init），利用教师LLM提取的关键词嵌入均值来初始化SID token，注入语义先验；以及token级语义对齐（TS-Align），通过构建token与物品簇语义的双向对齐任务，确保模型获得对SID序列内部token的细粒度理解。在公开数据集上的实验表明，TS-Rec能持续超越传统及生成式基线，显著提升了LLM-based生成式推荐器的性能，并为后续与强化学习等技术的结合提供了更优的起点。
8. Where Relevance Emerges: A Layer-Wise Study of Internal Attention for Zero-Shot Re-Ranking
🔗 原文： https://arxiv.org/abs/2602.22591v1
🏷️ 来源： 🎓 学术界 | The University of Queensland
⭐ 评分： ⭐⭐⭐⭐ (4/5)
🎯 推荐理由： 对LLM重排内部注意力机制的深度剖析，发现普遍钟形曲线并提出高效Selective-ICR策略，实验扎实，启发性强。
📝 摘要： 本文对LLM用于零样本文档重排的内部注意力机制进行了系统性研究。通过正交评估生成式、似然式和内部注意力三种评分机制，作者发现相关性信号在Transformer层中呈现普遍的“钟形曲线”分布，中间层信号最强。基于此洞察，提出了Selective-ICR策略，仅聚合信号丰富的中间层注意力，从而在保证效果的同时将推理延迟降低了30%-50%。在推理密集型的BRIGHT基准测试上，该方法甚至使得零样本的8B模型匹配了经过强化学习的14B模型的性能，揭示了利用LLM内部信号进行高效、复杂推理排名的巨大潜力。
9. Towards Dynamic Dense Retrieval with Routing Strategy
🔗 原文： https://arxiv.org/abs/2602.22547v1
🏷️ 来源： 🎓 学术界 | Université de Montréal, Clemson University
⭐ 评分： ⭐⭐⭐ (3/5)
🎯 推荐理由： 提出参数高效的动态稠密检索框架，通过前缀模块和路由实现跨域适应，对多域/冷启动召回有启发。
📝 摘要： 本文提出了一种参数高效的动态稠密检索（DDR）方法，旨在解决传统微调范式在新领域适应和数据有限时面临的挑战。DDR采用前缀调优（Prefix Tuning）为特定领域训练轻量级模块，并通过一个动态路由策略在推理时组合这些模块，从而实现对不同查询或领域的灵活适应。该方法在冻结预训练骨干网络的前提下，仅需训练约2%的参数（前缀向量和路由函数）。在多个零样本下游IR任务上的评估表明，DDR能够超越全参数微调的标准稠密检索模型，为推荐系统中处理多场景、冷启动或频繁更新的召回问题提供了新的思路。