推荐算法日报 · 2026-09-14
总览
今天这两篇都是很典型的工业界问题，一篇啃超长用户序列怎么塞进排序模型，一篇啃电商 query 到品牌实体的映射，共同点是都没什么花哨的新架构，全靠对场景的理解硬抠工程细节。ChronicleRec 是今天最值得细读的一篇，它接着 VISTA 那套「历史压一次、所有候选复用」的 target-independent 路线往下走，但把 query token 按时间锚点插进序列做因果编码，再配一个 mask-and-predict 的对齐预训练，硬是把跟 Full-Attn 的 GAUC 差距压到 0.002 上下；这个幅度的增益说实话得反复跑才能确认不是噪声，好在消融给得够诚实，能看清真正干活的是对齐预训练和因果交错这两块，而不是那套多粒度合并的包装。Amazon 那篇品牌实体链接更偏落地，经典两段式和端到端极端多分类两条路都试了，最有意思的是拿 query 品类去跟品牌历史曝光品类做匹配消歧、收敛不了就干脆不预测——这个 precision-first 的取舍很电商，但离线数字漂亮归漂亮，线上 engagement 和利润的增益薄得几乎可以忽略，属于方向对、收益慢的活。所以我的判断是：想学序列建模怎么在成本和效果之间找平衡的，去看 ChronicleRec 的消融和预训练目标设计；做电商搜索的，重点翻品牌链接那篇的错误分析，73% 的错集中在缩写和隐式引用上，这个结论比模型本身更有用。今天优先看 ChronicleRec，品牌链接那篇当工程参考扫一遍就够了。
论文列表
1. ChronicleRec: Pre-training Temporally Anchored Tokens for Lifelong User Modeling
- 论文链接：AlphaXiv
- 更新时间：2026-09-11 02:47 UTC
- 机构：未披露机构
- 工业优先级：强
超长用户序列压成可缓存token 🧩
各位算法同学们，把用户上万条历史直接喂进排序模型，延迟扛不住；截断到最近几百条，又悄悄把长周期兴趣丢了。这篇的做法是离线把超长行为序列压成一串可缓存的token，线上按候选打分时不再碰原始长序列。
📄 ChronicleRec: Pre-training Temporally Anchored Tokens for Lifelong User Modeling
🔧 不走SIM那套「按候选检索」：token是target-independent的，一个用户算一次就能缓存复用，长序列编码和候选打分彻底解耦，线上走异步KV，当前embedding异步算、异步写回。
🧩 关键差别在压缩姿势。不是把query token全堆在序列尾部再双向读一遍，而是把query token按时间位置插进行为序列，用因果encoder让每个token只总结它锚点之前的历史；输出本身就是一条按时间排好的短token序列，不是一袋无序摘要。
⚙️ 粒度上做recency-aware多粒度merge：近端细、远端粗，按递增步长池化；再加multi-horizon多分支，每个分支遮掉不同长度的近期窗口，逼不同分支负责不同时间尺度。预训练用mask-and-predict，把最近行为挖掉、只用压缩后的远期历史去重建，让历史表示对齐当下意图。
📊 离线在KuaiRand和Tencent AdLive上，稳定优于recent-window和single-pass compression基线，同时逼近full-attention的表现。
📈 token层面的分析显示表示是按时间组织且互补的，不是冗余一团。
✅ 线上跑了7天A/B，论文称生产指标有显著提升。
总结感想：这套思路最适合做工业推荐/广告排序、长序列特征已经卡在延迟上的人。要盯三个点：压缩token数量和延迟的trade-off、离线逼近full-attention还差多少（这个差距就是信息损失上限）、缓存过期和异步回写的一致性。和SIM、VISTA比，它换的是「不按候选检索」加「有序因果摘要」，代价是预训练多一层对齐阶段，缓存刷新策略得自己设计。
2. Query Brand Entity Linking in E-Commerce Search
- 论文链接：AlphaXiv
- 更新时间：2026-09-09 08:14 UTC
- 机构：Amazon
- 工业优先级：强
- 备注：Accepted by CIKM
电商搜品牌，字符串匹配不够用了🔍
各位算法同学们，电商搜索里 query 平均只有三到四个词，品牌却有几十万个，靠字符串匹配认品牌，碰上缩写、跨语言写法、父子品牌就开始翻车。亚马逊这篇把它当成品牌实体链接来做，关键是两套方案都上了线，不是纯离线刷分。
📄 Query Brand Entity Linking in E-Commerce Search
🔧 两阶段级联：先用 MetaTS-NER 做序列标注抽出品牌 mention，再拿候选去品牌知识库匹配消歧，中间用 query 预测出的 product type 做过滤，在几十万品牌空间里把候选收窄。
🧩 端到端极端多分类：干脆跳过 mention 检测，用 PECOS 直接把 query 映射到品牌 ID，把链接写成百万级标签的分类问题，靠层级聚类和稀疏结构把推理压下来。
⚙️ 融合：两路互补，级联保精度，端到端补召回，最后作为一个 fused 方案部署。
📊 离线在 11 种语言上做了评测，多语言泛化是重点考察项，不是只测英语。
📈 线上做了受控 A/B：brand recall 明显提升，precision 维持在较高水平，customer engagement 有可测增益。具体涨幅论文没披露，只有定性表述，这点得注意。
✅ PECOS 在 1 亿类别空间下单 query 推理低于 5ms，这是它能上线的关键前提。
想跟的话：做电商 query 理解、属性抽取的可以精读，重点看它怎么用 product type 约束消歧。要盯的指标是 recall 涨了多少、precision 有没有掉，以及新增长尾品牌能不能被覆盖。坑在于两套方案都吃内部 NER 模型和品牌知识库，这部分论文里没有，复现门槛主要卡在数据和标注，不在模型结构。