2026-08-25 日报

主题: 生成式推荐回到 item 表示，工业侧用显式先验治干扰

标签: semantic-id · pretrained-lm · quantization · cross-domain · industrial

📊 统计: 共 11 篇 · 精读 4 · 🏢 工业界 4 · 🎓 学术 7 · generative-rec 6 · discriminative-rec 2 · other 2 · llm 2

综述

今日 11 篇：生成式推荐 6 篇、判别式 2 篇、LLM 与其他各 2 篇；四篇精读均出自有线上系统的公司（SK Telecom、Spotify、美团、阿里），其余 7 篇为无部署的学术工作。DuELRec（SK Telecom）把 LLM 跨域负迁移归因于 token 级自回归压过 item 级协同信号，以块级 item 掩码派生单域与跨域双专家再门控融合，线上相对 SASRec 变体 CTR 提升 47.6%，但“全域缓解负迁移”仅在 HR@5 口径下成立。Spotify 那篇是受控证伪：推理轨迹写得更好并不带来更好的离线效果，起作用的是奖励密度，并在其生产数据上复现。美团 SA-RSQ 用 Top-K 稀疏路由把每 item 存储与码本维度解耦，线上 CTR +2.51% 系跨配置峰值，且无置信区间与 p 值，只能算部署证据。阿里 CRRN 把 trigger 相关性写进门控与四层偏序损失，已在天猫全量上线，同类目占比升到 67.45%，但对最强 baseline 仅高 0.29 个 AUC 点，且三个模块增益高度重叠。趋势上，item 表示重构（语义子词、稀疏量化）与显式先验注入是两条主线；工业读数普遍缺显著性检验，宜按部署证据看待。

重点论文

DuELRec · ⭐ 8/10

A Dual-Expert Strategy Integrating LLMs to Mitigate Negative Transfer in Cross-Domain Sequential Recommendation

🏢 SK Telecom · 生成式推荐

DuELRec 指出 LLMRec 在跨域序列推荐中负迁移比 IDRec 更严重的根因是 token 级自回归压过 item 级协同信号，于是在冻结 LLM 骨干之上用块级 item 因果掩码派生单域/跨域双专家并以 item 级门控（附偏差-方差最优解）自适应融合，配合单域+跨域双池负采样的 token-to-item 对比学习，在十个域超过 26 个 baseline，并在 SK Telecom 个人助手 App 线上 A/B 把 CTR 从 0.90% 提到 1.33%。

The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness · ⭐ 7/10

🏢 Spotify · 生成式推荐

Spotify 用共享 Qwen3-1.7B 骨干、同一份 SIDReasoner teacher 轨迹在三个 Amazon 域上做 item 表示(SID vs Title) x 显式推理(有 vs 无)的 2x2 受控实验，发现加显式推理在所有设定下 reasoning delta 非负即零（Title 在 Games/Office 显著退化 -20%/-11% R@10，SID 退化反而更小且不显著），复现 SIDReasoner 八任务对齐（SID-A）把轨迹质量推到最高 3.51 却把 R@10 打到最差（.0519/.1239/.1134），而纯前缀匹配 GRPO 因 70-96% 的 prompt 全组零奖励零优势而无法恢复（Games/Title 上推理坍缩到平均 1.1 词的空 ）；换成 0.5R_acc+0.25R_trace+0.25*R_rel 的复合 LLM-judge 奖励后 SID 在 Office/Industrial 反超无推理基线 +3.2%/+2.9% 而轨迹质量纹丝不动（2.22→2.23），且零 LLM 调用的 E5 embedding 稠密奖励几乎追平 judge，证明 reward density 而非 trace 语义才是操作变量；结论在 Spotify O(10^6) 歌单 / O(10^8) 曲库的生产级多任务共享骨干（目录对齐持续预训练 + 全参 SFT）上复现（HR@30 0.6337 vs 0.6343，rank aggregation 融合两路才拿到 0.6515），说明描述性推理轨迹质量、LLM 判定的推荐相关性与传统离线效果刻画的是推荐系统的三种不同属性。

SA-RSQ · ⭐ 6/10

SA-RSQ: A Versatile Sparse Representation Framework for Multi-modal Recommender Systems

🏢 Meituan · 判别式推荐 / 生成式推荐

SA-RSQ 把工业多模态特征压缩的病灶归因为「存储占用与表征维度强耦合」+「硬赋值不可微」，用残差级联里的 Top-K 掩码 softmax 稀疏路由替换 arg min，只落盘 4LK 字节的 (Index, Prob) 元组从而让每 item 存储与码本维度/大小彻底解耦、固定支撑集下全链路免 STE 可导，配以课程稀疏退火、正交码本正则与互信息正则三件套防坍塌，在美团外卖广告 8/32/48 字节预算下均优于 RQ-VAE/R-Kmeans/R3-VAE/VQ-VAE/SoftVQ-VAE（48 字节 AUC 64.913、gAUC 63.013、重建损失 0.1553），并给出 Next-Distribution Prediction 生成式雏形与一周 10% 流量线上 A/B（CTR +2.51%、CPM +3.66%）。

CRRN · ⭐ 6/10

Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation

🏢 Alibaba · 判别式推荐

CRRN 指出 TIR（触发式推荐）谱系此前只解决“trigger 意图强度”而忽略了“trigger 相关性”本身，用 coaction 门控的显式-隐式混合交互层、级联注意力配合“意图分数×余弦相似度”的 AND 型软门控、以及把“点击且相关>点击不相关>曝光相关>曝光不相关”写进损失的类目辅助 pairwise loss 三件套，在 Tmall 4.5 亿样本与 Alimama 公开数据上分别取得 0.6752/0.6448 AUC，并已全量上线带来 +3.87% CTR 与同类目推荐占比 40.51%→67.45% 的结构性位移。

SST · ⭐ 7/10

Rethinking Item Tokenization in Generative Recommenders: From Fixed Atoms to Semantic Subwords

🎓 学术 · 生成式推荐

SST（Semantic Subword Tokenization）指出生成式推荐把物品切成定长 semantic ID 序列后，用户上下文建模会出现“物品内注意力过载”——注意力被大量消耗在物品内部的低层依赖，而非物品间的高层行为转移。方法把历史物品表示成变长语义子词、目标端仍保持定长解码：物品级子词切分（IST）把稳定相邻的原子 token 合并成紧凑语义子词，减少编码器端的物品内重组；行为诱导共现增强（BCA）注入粗粒度的语义前缀转移信号，引导腾出的建模容量转向物品间行为规律。三个公开数据集、三种生成式推荐骨干上均优于定长与可迁移变长 SID 基线（USTC + 华为，公开数据）。

全部论文