标签
Auto-RecSys 是一个自主研究系统，用于自动化工业级推荐模型的长期实验，通过分布式执行、集中式记忆和认知程序分离来提高效率和可靠性。
NVIDIA 报告了在 HSTU 推理测试中使用 PyTorch AOTI 后端的显著加速，在理想情况下最高可达 2.38 倍，并强调了用于大规模生成式推荐系统的工具如 recsys-examples 和 nv-embedding-cache。
本文探讨了在生成式推荐器中使用模型的语义ID层次结构进行离线策略评估，表明在生产日志约束下，通过粗化到代码前缀聚类可以提高估计精度。
本文介绍了TH-GNN，一种异构时序图神经网络，融合图结构和文本语义以检测推荐系统中由LLM代理生成的刷单攻击，并优于现有方法。
RecPFN引入了一种先验拟合网络，用于序列推荐中的上下文学习，通过在合成点击流数据上预训练，在多个基准测试中实现了先进的零样本性能。
本文提出残差主导作为因果自注意力基于序列推荐器中最后一项依赖的结构解释，利用预测时诊断和基于范数的分析，将这种行为与Transformer模型中的残差加法联系起来。
本文介绍了内容深度分数（CDS）和SCOPE-Bench，用于评估短视频推荐系统的认知深度，揭示了现有系统优先考虑浅层内容而非更深层次参与。
The paper proposes an Inverse Theory of Mind (IToM) pipeline that infers user beliefs, preferences, and decision-making traits from observed interactions, using LLM-driven counterfactual reasoning to synthesize structured user personas for adaptive content recommendation across modalities, including a VisionOS spatial banking app.
This paper presents RecSys Factory, an LLM-agent platform deployed at Tencent that confines agent autonomy to decision points rather than full pipelines, balancing autonomy, determinism, and efficiency across three industrial recommender business lines.
MARCO is a Meta AI framework that decomposes clicks by intent to improve ads conversion prediction, correcting per-intent calibration bias and lifting conversions per click by +2.80% and topline metrics by +0.98% in production.
论文认为，检测到所获取的LLM派生信号的平均效果并不等同于学习逐实例的采集策略，并确立了一个奖励-信噪比下限（ρ* ≈ 2.8/√N），低于该下限时离线路由不可行。论文引入了结构化假设嵌入（SHE），并在三个数据集上表明，学习到的逐示例采集在此下限之下崩溃，因此建议改用设计时的机制门控。
利用领域共现数据和PCA/t-SNE对Twitter社区结构进行分析，揭示了紧密的右翼和松散的左翼集群，对推荐系统和随机游走混合时间具有启示意义。
本文提出GOAL，一种约束感知的生成式激励广告框架，将激励分配建模为条件序列生成问题，并引入SCPO来学习一个能够跨ROI约束泛化的单一生成策略。实验表明，该方法在降低ROI违规率的同时，改善了长期收入和用户留存。
This paper proposes A/B Agent, a closed-loop agent framework that organizes historical A/B testing knowledge into a hierarchical experience tree, retrieves transferable strategies via multi-path Tree-RAG, and self-evolves through online experiment feedback, achieving a 4.829% GMV improvement in a short-video e-commerce recommendation system.
RecHarness是一个bandit路由的智能体框架，通过将方向选择与假设生成分离来自动化推荐模型优化，在在线A/B测试中实现了稳定的改进和显著收益。
本文系统性地研究了生成式推荐中的语义ID（SID），发现SID虽然保留了物品的粗粒度组织，但丢失了编码器中的细粒度局部结构。作者提出物品支持解码（ISD），一种轻量级的推理时方法，在无需额外参数或重新训练的情况下，将NDCG@10提升高达31.2%。
本文介绍了 Proximity Features，一个符合隐私规范的系统，利用聚合的地理 IP 数据为 Airbnb 的冷启动用户个性化推荐，在生产实验中实现了显著的预订增长。
RouteRec是一个用于在成本约束下评估请求级硬选择与项目级学习聚合异构推荐智能体（包括LLM重排序器）的框架。在MovieLens-1M上的实验表明，项目级聚合显著优于请求级选择。
本文分析了用于点击率预测的深度神经网络模型中的早期训练崩溃现象，并提出了缓解策略，如稀疏特征移除和值过滤，在大规模工业数据集上展示了改进效果。
本文认为，智能体应帮助用户构建偏好，而非假设用户已有完善偏好，并提出了CoPref模型和CoShop基准。评估显示，即使是前沿模型，由于偏好扩展不足，准确率也仅为56%。