推荐算法日报 · 2026-08-27
总览
今天的 arXiv 推荐系统方向信息量不小，三条主线泾渭分明：直播广告里的生成式推荐、电商场景下的多模态表征学习、以及微信工业级多模态 Embedding 的落地报告。最值得细读的是淘宝那篇多模态 CTR 工作，它反直觉地证明端到端训练在强 baseline 上会掉点，然后用「先提纯再投喂」的 Mine-Then-Train 方案把事办了，工程上落地友好且线上效果扎实；快手直播广告那篇也硬核，动态 ID 加意图感知生成，收入提升 16.1%，但里头的价值加权设计容易把短期 bias 包装成长期能力，读的时候得留个心眼。微信那篇更像是一份高质量技术报告，展示了大模型底座做多模态 Embedding 的实操路径，参数效率和线上验证都很能打，但音频支持缺失和 reranker 增益不稳也是实际局限。整体来看，今天这批货既有方法创新又有工业细节，适合想落地的人仔细咀嚼。优先看淘宝那篇和快手那篇，能帮你避开多模态端到端的大坑，同时理解生成式推荐在真实场景里的取舍。
论文列表
1. TAGR: Temporally Adaptive Generative Recommendation for Industrial Live-Streaming Advertising
- 论文链接：AlphaXiv
- 更新时间：2026-08-25 03:47 UTC
- 机构：1
- 工业优先级：强
- 备注：13 pages, 7 figures, under review
生成式推荐搞直播广告，TAGR涨16%
各位算法同学们，生成式推荐一般默认商品ID是静态的，但直播广告里的场景和带货商品每分钟都在变，直接套用会翻车。TAGR针对这个痛点，把token、意图、对齐三层都做了时序自适应，在快手电商直播广告场景把收入提升了16.1%。
📄 TAGR: Temporally Adaptive Generative Recommendation for Industrial Live-Streaming Advertising
🔧 LSID（Live Semantic-Collaborative ID）：把直播广告的ID从静态变成动态，定期根据当前直播场景和带货商品刷新标识，同时保留一个稳定的层级词表，既跟得上变化又不破坏自回归生成的搜索空间。 🧩 IAG（Intent-Aware Generation）：把进房历史按多个时间粒度作为主意图序列，辅助行为单独作为输入，并在NTP训练时用请求后的反馈和商业价值加权，让模型更关注强意图样本。 ⚙️ IOPO（Intermittent On-Policy Preference Optimization）：周期性地从当前策略采样候选组做偏好更新，并穿插监督式NTP维护，既吃到在线反馈的“新鲜度”，又稳住已经学到的行为分布。
📊 直播进房率（live-room entry）提升8.5% 📈 加购点击率（shopping-cart click）提升7.4% 💰 相比生产基线收入提升16.1%
这套方案的亮点是把“时序自适应”拆到token、意图、对齐三层，每层都有对应设计，不靠堆模块。对做直播电商或动态商品推荐的团队很有参考价值。落地时要注意LSID的刷新频率和IOPO的更新节奏，这两个超参直接决定效果和稳定性，建议从小步快跑开始调。
2. Native Multimodal Representation Learning for Click-Through Rate Prediction in E-Commerce Scenarios
- 论文链接：AlphaXiv
- 更新时间：2026-08-25 05:36 UTC
- 机构：Taobao & Tmall Group of Alibaba，University of Science and Technology of China
- 工业优先级：强
- 备注：Accepted at CIKM 2026
端到端多模态CTR翻车，先挖数据才是正道？
各位算法同学们，你以为把多模态编码器和CTR模型端到端一起训练就能涨点？淘宝和中科大的这篇CIKM论文说：不但没涨，还掉了，得先挖数据。它指出了多模态表示学习的正确打开方式——从CTR数据里先捞高质量样本，再微调编码器，让表示懂用户点击偏好。
📄 Native Multimodal Representation Learning for Click-Through Rate Prediction in E-Commerce Scenarios
🔧 先泼冷水：端到端多模态训练（E2EM）在淘宝广告场景里，反而导致GAUC下滑，推翻“直连就能提升”的直觉。 🧩 找原因：CTR数据里的用户点击不只有多模态语义在驱动，价格、位置、误触这些非语义因素也会影响，直接端到端训练会让编码器收到模糊监督。 ⚙️ 新方案：Mine-Then-Train，先训练一个多模态注释模型，从CTR数据中挖出与点击偏好对齐的可解释样本，再用这些高质量数据微调预训练编码器，保证表示学习方向正确。
📊 实验数据来自淘宝展示广告系统，覆盖84M用户、88M商品、1.9B样本，规模真实硬核。 📈 评估用GAUC，两阶段基线在淘宝场景已带来百分比级GAUC提升，Mine-Then-Train在此之上再获正向增益。 ✅ 离线与在线实验双重验证，相比E2EM的负收益，新方法确确实实涨点。
想要在多模态CTR上落地，别急着端到端，先把数据挖干净、再微调编码器，收益更稳。要盯的指标永远是GAUC，对比对象是两阶段基线。注意E2EM是个坑，又贵又没用，别踩。
3. WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report
- 论文链接：AlphaXiv
- 更新时间：2026-08-25 04:23 UTC
- 机构：未披露机构
- 工业优先级：强
📄微信多模态Embedding：2B反超8B
各位算法同学们，今天这篇最让我惊讶的地方是：2B参数的多模态embedding模型，居然在MMEB-v2上超过了之前最好的8B开源模型。微信团队开源的WeMM-Embedding，把通用多模态embedding又往前提了一截，而且模型和代码都放出来了。
📄 WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report
🔧 统一数据格式是一大亮点：文本、图像、视频、文档甚至任意交错的输入，都被统一成“源-目标对”的格式，还能附带指令、硬负样本和相关性分数，一套框架吃下所有任务。 🧩 两阶段训练是核心：先在几亿对弱监督数据上做大规模对齐，再用一个精炼后的数据集做细粒度优化，其中用语义ID重采样来缓解分布偏斜，还加了跨尺度知识迁移，让2B和4B模型也能学习9B的表示能力。 ⚙️ 模型家族提供2B/4B/9B三档，支持灵活输出维度，方便在不同资源条件下做权衡。
📊 2B版在MMEB-v2上已经超过此前领先的8B开源基线，参数效率很突出。 📈 9B版拿下80.6分，排名官方MMEB-v2榜首，超过了所有开源和闭源模型。 ✅ 内部26任务基准有明显提升，14个线上A/B测试全部正向，目前已在视频号、公众号、朋友圈、电商等场景部署。
个人判断：如果你在做多模态检索或RAG，这个模型可以拿来跑一下自己的数据，尤其是2B的性价比很高。落地时注意它支持多模态输入，但不同输出维度的效果和存储成本需要自己权衡。另外训练思路里数据清洗和硬负样本的构造对提升效果贡献不小，别只盯着模型结构抄。