2026-06-29 日报

主题: 推荐系统上下文构造、重排与LLM推理:工业与学术并进

标签: industrial · sparse-attention · ad-rec · pretrained-lm · academic

📊 统计: 共 6 篇 · 精读 1 · 🏢 工业界 1 · 🎓 学术 5 · other 3 · discriminative-rec 2 · llm 1

综述

本日共 6 篇论文,判别式推荐 2 篇、LLM 相关 2 篇、理论/基准 2 篇,工业与学术大致各半,仅 Meta 的 CMSL 完成精读。核心亮点是 CMSL(判别式序列推荐):它把"读取单条单调用户历史"改为"主动构造 K 条主题一致的隐子序列"以对抗上下文污染,每条子序列用近似 HSTU 的线性时间注意力单独建模,已在排序与 U2U 召回、跨 5 个 surface 部署,是把"上下文工程"引入工业推荐的代表作。Intuition-Guided Latent Reasoning 探索 LLM 推荐的隐式潜在推理路径;PermR 将营收最大化重排建模为带 per-query 约束的整数规划,用轻量相邻成对交换近似恢复约 63% 的 ILP 增益,并在 14 天 A/B 中提升营收 2%。另有 FACTER 公平性复现与"代表性数据集子集选择"两篇工作,反映学界对推荐评测严谨性的持续关注。整体看,"主动构造上下文""LLM 潜在推理"与"轻量可部署重排近似"是当日三条主线,值得持续跟踪。

重点论文

CMSL · ⭐ 7/10

CMSL: Constructive Multi-Sequence Learning for Recommendation Systems

🏢 Meta · 判别式推荐

Meta 提出 CMSL，把序列推荐从「读取一条单调用户历史」转变为「主动构造 K 条主题一致的隐子序列」以对抗 context pollution（上下文污染），每条子序列用近似 HSTU 的线性时间注意力单独建模，已在排序与 U2U 召回、跨 5 个 surface 部署。

Intuition-Guided Latent Reasoning for LLM-Based Recommendation · ⭐ 7/10

🎓 学术 · 其他

PermR · ⭐ 5/10

Fast and Feasible: Permutation-based Constrained Reranking for Revenue Maximization

🎓 学术 · 判别式推荐

将营收最大化重排建模为带相关性等 per-query 约束的整数线性规划，提出轻量的相邻成对交换近似算法 PermR（每步交换以改善目标或修复违约），达到 ILP 约 63% 的营收增益且满足生产延迟；14 天线上 A/B 提升营收 2%。

全部论文