2026-04-20 日报

主题: 工业推荐的表征升级与生成式范式的理论奠基

标签: semantic-id · quantization · industrial · transformer · search-ranking

📊 统计: 共 6 篇 · 精读 2 · 🏢 工业界 2 · 🎓 学术 4 · discriminative-rec 3 · generative-rec 1 · llm 2

综述

当日入选 6 篇，判别式推荐 3 篇、生成式推荐 1 篇、LLM 2 篇；工业界仅美团与快手各 1 篇，其余 4 篇为纯学术工作，篇幅不大但两篇精读分量很足。美团 SIF 把历史序列 token 从物品级升级到样本级：离线用分组自适应的层次量化 HGAQ 将每条历史交互的完整特征快照压成 648 比特的 Token Sample，在线只需查码本还原，再由 SIF-Mixer 做 token 级与样本级的分解注意力，离线相对 HyFormer 提升 0.88% GAUC，线上取得 2.03% CTR、1.21% CVR 与 1.35% GMV/session，已部署于美团本地生活排序。快手的理论短文则证明在双射分词前提下，k-token 自回归下一 token 预测与全词表最大似然估计严格等价，级联与并行分词均成立，既解释了生成式推荐的分布拟合优势，也说明码本坍缩会让它退化为有偏估计。其余学术工作分别关注序列推荐的自适应测试时增强与 LLM 稠密检索器的鲁棒性。离散量化正从物品扩展到整条样本，分词质量也随之升格为一级指标。

重点论文

SIF · ⭐ 8/10

Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models

🏢 Meituan · 判别式推荐

通过离线 HGAQ 把每条历史交互的完整 Raw Sample 压缩为紧凑 Token Sample，再用 token-level+sample-level 分解注意力的 SIF-Mixer 建模跨时序交互，把工业排序模型的序列 token 从 item-level 升级到 sample-level。

On the Equivalence Between Auto-Regressive Next Token Prediction and Full-Item-Vocabulary Maximum Likelihood Estimation in Generative Recommendation--A Short Note · ⭐ 7/10

🏢 Kuaishou · 生成式推荐

形式化证明 k-token AR-NTP 在 bijective 分词下严格等价于全词表 MLE，首次给出工业 GR 范式的严格理论基础，并推广到级联与并行两种分词。

AdaTTA · ⭐ 6/10

Beyond One-Size-Fits-All: Adaptive Test-Time Augmentation for Sequential Recommendation

🎓 学术 · 判别式推荐

AdaTTA 指出现有序列推荐的测试时增强（TTA）都用统一、与用户无关的增强策略，并首次实证不同特征的用户序列其最优增强算子差异显著。它把「为每条序列选增强算子」形式化为马尔可夫决策过程，用带混合状态表示的 Actor-Critic 策略网络加 macro-rank 联合奖励在推理时逐序列决策，是可插到已有骨干上的免重训框架。四个真实数据集、两个推荐骨干上稳定超过最优固定策略基线，Home 数据集相对提升达 26.31%，计算开销仅中等。

On the Robustness of LLM-Based Dense Retrievers: A Systematic Analysis of Generalizability and Stability · ⭐ 6/10

🎓 学术 · LLM

论文从泛化性与稳定性两个维度，首次系统评估开源 LLM 稠密检索器的鲁棒性：泛化性侧用线性混合效应模型在 4 个 benchmark／30 个数据集上估计边际均值，把模型内在能力与数据集异质性解耦，发现指令微调模型整体更强、而面向复杂推理优化的模型存在「专精税」，在宽泛场景下泛化受限。稳定性侧同时考察无意查询扰动（改写、错字）与恶意攻击（语料投毒），LLM 检索器对错字和投毒比 encoder-only 基线更稳，但对同义替换这类语义扰动仍脆弱；进一步分析显示嵌入几何（如角度均匀性）能预测词面稳定性，且扩大模型规模总体提升鲁棒性。

全部论文