推荐算法日报 · 2026-09-18

总览

今天这批货整体成色相当高，工业味浓、负结果报得也实在，读下来最强烈的感受是：序列化建模还在扩张，但它的边界和隐藏成本第一次被讲得这么清楚。主线大致有两条，一条是序列模型继续吃特征工程——LinkedIn 那篇用真刀真枪三个多月的线上 A/B 证明砍掉八成手工特征还能涨，但也坦白 LLM-Ranker 从没打赢过原生产模型、pre-LN 不到位 AUC 直接崩到 0.5；另一条是「谁的收益到底来自哪」这件事开始被认真对待，KDD Cup UniRec 那篇用 leave-one-out 拆出来序列侧几乎零贡献、dense 特征栈才是大头，还顺手揭了验证集比榜单系统性高 0.014 的伤疤，这种文章比涨点文值钱得多。序列增广、序列与特征交叉统一 block、生成式广告检索这几篇各有亮点，多模态对齐防坍缩和把硬过滤提前到解码里这两个设计都挺巧，但基本都卡在「离线很美、线上只报业务指标、延迟成本一字不提」或者收益量级要靠长期攒。最值得细读的是 LinkedIn 那篇和 KDD Cup 那篇，一个给落地坑位清单，一个给评估方法论和负结果；AURA 那篇关于成本结构和「诊断可信、修复未验证」的坦诚也值得扫一遍。今天就优先看领英那篇和 KDD Cup 那篇，其余的按你手上的方向挑着看即可。

论文列表

1. An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking

• 论文链接：AlphaXiv
• 更新时间：2026-09-16 03:17 UTC
• 机构：LinkedIn
• 工业优先级：强

LinkedIn 排序换掉 DCNv2，时长 +2.1% 📈

各位算法同学们，一个排序模型先在线上扛了三个多月流量才发论文，通常说明它真能扛，而不是赶着刷榜。LinkedIn 把 Feed 排序的老 backbone DCNv2 换成了序列 Transformer，A/B 里人均时长涨了 2.10%。

📄 An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking

🔧 主线是系统-模型协同设计：CPU/GPU 分离部署，shared-context batching 一次给同一请求的几百个候选打分，Arrow 到 tensor 零拷贝传输，还写了自研 Flash-Attention kernel SRMIS，比 PyTorch SDPA 快约 2 倍。

🧩 特征走 late fusion：把一部分 context 特征（主要是 item 热度和 viewer-author 亲和度这类数值信号）从 transformer 前面挪到输出之后拼接。离线 Long Dwell AUC 只掉 0.04%，训练 step 时间少 12%，线上 top-line 指标打平。

⚙️ 两个细节挺反直觉：用 LLM 派生出的会员画像 embedding 补稀疏历史；用 within-session randomization 处理同一次会话内 label 相关性造成的 train-serve skew。另外 attention 用 Softmax 反而比 Sigmoid、SiLU、ReLU 好。

📊 线上 A/B：time spent +2.10%，点赞/评论/转发 +3.52%，baseline 就是生产环境里跑的 DCNv2 ranker。

✅ 覆盖 12 亿会员，已承接 LinkedIn Feed 大部分流量超过三个月，不是小流量试水。

📈 等算力（10^17 FLOPs）下把 transformer block 换成 HSTU 层，Long Dwell AUC 掉 0.21%。

🧩 late fusion 是拿 0.04% 的 AUC 换 12% 的训练提速，线上打平，这笔账划不划算取决于你的训练成本。

总的说，如果你在做工业推荐、被延迟和吞吐卡着上不了长序列模型，这篇的 serving 部分比模型结构该先看。要盯三样：线上时长和互动率、训练 step 时间、train-serve skew 有没有被 within-session 那类设计按住。坑是 1000 条历史是配合 0.1 负采样调出来的，换业务得重调历史长度和采样，别直接搬。

2. MARS: Modality-Aligned Retrieval for Sequence Augmented CTR Prediction

• 论文链接：AlphaXiv
• 更新时间：2026-09-17 06:20 UTC
• 机构：未披露机构
• 工业优先级：强

低活用户CTR差？用图文对齐捞相似序列

各位算法同学们：快手上大约35%的用户一个月行为不到1000条，而CTR模型的建模长度已经从10的3次方卷到10的6次方——序列越长，这批低活用户越吃亏。这篇KDD’25的工作换了个思路：行为不够，就从别的模态里借。

📄 MARS: Modality-Aligned Retrieval for Sequence Augmented CTR Prediction

🔧 增强不再只吃协同信号。物品文本用LLaMA编码、图像用ViT编码，再通过Stein核做跨模态分布对齐，把图文压进同一个语义空间，好处是不依赖负采样和大batch，训练更稳。

🧩 增强方式很直接：用对齐后的多模态用户embedding，给每个低活用户检索最相似的高活用户，再按item-user相似度过滤，最后把对方的序列拼进低活用户的历史里。

⚙️ 对齐损失里加了熵正则，防止embedding空间塌缩，保证检索出来的邻居有区分度，而不是一锅端。

📊 快手线上A/B中核心业务指标有增长，已上线服务数亿用户的主流量。

📈 论文给的分布数据是35%用户一个月行为少于1000条，这正说明长序列模型的红利覆盖不到这部分人。

✅ KDD’25，代码匿名开源，仓库 github.com/wangshukuan/MARS，可以自己跑。

总结：这套方法对做低活、稀疏场景排序和召回的团队有直接参考价值，本质是把多模态对齐当成检索的底座。要盯的指标是检索过滤后的序列噪声比例，以及多一路检索加过滤带来的线上延迟；坑在于把高活用户的序列塞进低活用户历史，容易引入语义漂移，过滤阈值设松了会反噬。

3. Bumblebee: Interleaved Mixed-Layer Building Blocks for Large-Scale Recommendation Systems

• 论文链接：AlphaXiv
• 更新时间：2026-09-15 22:17 UTC
• 机构：未披露机构
• 工业优先级：强

推荐系统：把序列和特征交叉交错起来🐝

各位算法同学们，推荐模型一直在两条路上各走各的：序列建模管用户历史，特征交叉管上下文特征，但很少有人让它们在同一个块里反复混合。Bumblebee 这篇就是把这两条路交错起来，而且消融显示交错的组合方式本身才是涨点主因。

📄 Bumblebee: Interleaved Mixed-Layer Building Blocks for Large-Scale Recommendation Systems

🔧 交错混合层块：每个 block 内部把序列个性化、注意力编码、目标感知过滤注意力、跨注意力融合和特征交叉串成一个自包含微流水线，而不是先序列后特征、或先特征后序列。 🧩 跨模态残差通路：块与块之间的残差连接不再只传单模态信息，而是同时搬运序列和特征交互信号。消融里这个机制单独贡献 0.25% NE，且不增加额外参数。 ⚙️ 可配置组件丢弃：块内组件可以按需丢掉，用来在质量和吞吐之间做权衡，也支持把多个块堆起来做迭代精炼。

📊 消融实验：跨模块残差信息流单独带来 0.25% NE 提升，参数没多。 📈 在多个分类和回归任务上，Bumblebee 相比可比基线模型取得一致提升，但论文没有给出具体相对增益。 ✅ 大规模工业数据评估显示，交错组合本身是主要提升来源，而不是简单加深堆叠。

总结一下，如果你在做大规模推荐，且序列模型和特征交叉还是两套分开的 pipeline，这篇的思路值得跟。要盯的指标是 NE 和吞吐的 trade-off，坑在于组件可丢弃会放大调参空间，0.25% NE 是消融单因素收益，端到端线上收益得看你的基线和数据规模；和 DHEN 比它补了 UIH 处理，和 HSTU 比它在注意力前后都保留了上下文注入。

4. AURA: Agentic Diagnosis and Refinement for Production Recommender Systems at Scale

• 论文链接：AlphaXiv
• 更新时间：2026-09-15 04:38 UTC
• 机构：未披露机构
• 工业优先级：中
• 备注：14 pages, 1 figure, 6 tables. Accepted at GenAIECommerce’26: The Third Workshop on Agentic and Generative AI for E-Commerce, co-located with RecSys 2026, September 28, 2026, Minneapolis, MN, USA

推荐指标涨了，用户却在踩坑？

各位算法同学们，NDCG涨了就等于推荐变好了吗？这篇来自迪士尼团队的工作说：不一定。它用LLM agent把成千上万条线上session读成失败案例库，再顺藤摸瓜改到推荐系统自己的代码里。

📄 AURA: Agentic Diagnosis and Refinement for Production Recommender Systems at Scale

🔧 把“人肉看case”做成流水线：四个阶段——选session、规模化定性诊断、生成根因假设和技术提案、落到代码PR，中间穿插AI校验、工程师review和记忆日志。 🧩 诊断不止给结论，还带证据：每个失败或成功类别附严重度、session证据和根因假设，再从推荐系统自己的代码、特征和训练管线里找可改点。 ⚙️ 换平台靠配置不靠改代码：数据源、列映射、分群定义、prompt覆盖都走配置层，已经在两个消费平台之间迁移过，并给出电商和零售推荐的映射。

📊 阶段级rubric分数：Platform A从15/25提到23/25，Platform B从17/25提到24/25。 📈 成本：Platform A的96,801条session花321美元，Platform B的101,594条session花250美元，大头在上游逐session判断，下游聚合只占小部分。 ✅ 分类词表收敛后：Platform A从12个涌现tag合并成8类，没有诊断损失；Platform B只剩一次重命名，零合并。

总结感想：如果你在做线上推荐、又苦于指标掉了但不知道谁被坑，这套思路可以拆开抄：先固定失败类别词表，再让agent给证据，最后才碰代码。坑也明显：成本随session量线性涨，且它现在主要产出人类review的PR，不是全自动闭环；真要落地，先盯诊断阶段的证据可信度和人工否决率，别一上来就接自动训练。

5. Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge

• 论文链接：AlphaXiv
• 更新时间：2026-09-17 06:52 UTC
• 机构：Z Lab
• 工业优先级：中
• 备注：6 pages, 1 figure, 4 tables. KDD Cup 2026 Tencent UniRec Challenge Workshop

CVR涨点靠dense表示不靠序列建模

各位算法同学们，KDD Cup 2026 UniRec 这道 CVR 赛题里，把 AUC 从 0.813237 拉到 0.828535 的，并不是更精细的序列建模。作者用 leave-one-out 的方式逐个拆模块，看排名分掉多少，结论有点反直觉——真正扛收益的是 dense 特征表示和优化器，序列侧组件几乎没边际贡献。

📄 Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge

🔧 dense 表示栈：把池化的用户 dense 字段拆成 5 个子组 token，对重尾列（量级能到 1e9）做 log1p，再补上对齐配对投影、item 侧拆分和原始统计通道。

🧩 合并单流序列：所有行为域合成一条按时间排序的流，用递减 top-k 压缩编码（LONGER 思路），再接入 TAPF 的目标条件极性通道，用零初始化极性 bias 加一个 gate 把正负行为分开。

⚙️ 优化器这块：dense 参数用 AMUSE（Muon 家族，正交化更新）配 EMA 选模型；稀疏 embedding 用 Adagrad 加自适应正则，专门压制稀有 ID 的记忆。

📊 15 步单变量链把 test AUC 从 0.813237 提到 0.827816，最终提交 0.828535，排第 10。

📉 拆掉 dense 表示栈掉 0.0095 AUC，拆掉正交化优化器掉 0.0028，两处基本就是全部增益。

✅ 反过来，合并单流 backbone、极性通道、辅助头、per-token FFN 这些序列侧组件，单独拆掉都不到 0.0005，落在 ±0.0004 的种子波动带里。

⚠️ 还有个坑：按 row group 切分的验证集和 leaderboard 共用一个时间窗，validation AUC 比榜上高约 0.014，防记忆和高基数 ID 的改动甚至会反号。

这篇更像一份“哪一步真的有用”的实证报告，不是新结构。做工业 CVR 的话，先动 dense 侧的特征拆分、log1p 和优化器，比堆序列长度划算；同时别信共时间窗的验证集，决策必须看留出榜。序列建模在这个数据规模上，边际收益是真的小。

6. One-Step Retrieval Framework for Real-Time Sponsored Search Ads Using Hierarchical Text Representations

• 论文链接：AlphaXiv
• 更新时间：2026-09-16 08:18 UTC
• 机构：未披露机构
• 工业优先级：未标注

🔍广告检索不用SID了？ANGLE这么干

各位算法同学们，广告检索线上消费 +1.81%、GMV +2.16%，但更狠的是它把相关性评估和预排序直接砍了，生成完候选就送进最终排序。

这篇要解决的是传统多级级联架构里各模块目标不一致、高潜广告被提前筛掉的问题，以及 SID 生成式方法要背大量映射、泛化差、解码效率低。它给出的 ANGLE 框架，用分层文本表示替代离散 SID，还把生成、判别、排序合进一个 LLM。

📄 One-Step Retrieval Framework for Real-Time Sponsored Search Ads Using Hierarchical Text Representations

🔧 广告表示换成 intent + abstract 的分层文本。intent 给高层商业意图概览，abstract 给细粒度广告细节，直接由 LLM 生成。新广告不用重建 SID 映射，从广告文本生成 int-abs 对就行，泛化更好，也更可解释。

🧩 训练一个 GDR-LLM，把生成、判别、排序能力塞进同一个基座。检索时先生成 query 对应的 intent-abstract，再用倒排索引找回广告，检索结果跳过 relevance 和 pre-ranking，直接进 ranking。

⚙️ 解码用动态约束 beam search，beam size 是 4，保证生成的 intent-abstract 能命中广告索引，不是自由发挥。这个细节挺工程，直接关系到线上能不能实时出候选。

📊 线上 A/B 实验：消费 +1.81%，GMV +2.16%，点击 +1.5%，来自真实搜索广告场景。

📈 离线对比 7 个 baseline，在 HR、MAP、ACR 这几个关键指标上 ANGLE 都最好。

✅ 论文提到框架在千万级规模的生产环境验证，不是纯离线玩具。

总结一下，做搜索广告或生成式检索的同学可以跟，重点看它怎么用文本表示替代 SID、怎么平衡生成和排序。要盯的指标除线上 GMV 和消费，还有离线 HR/ACR 以及索引覆盖率。坑也明显：int-abs 表示质量依赖 LLM，广告库更新和倒排索引维护成本、约束解码的命中率、跳过 relevance 后 ranking 的压力，都得看线上长期表现。和 MCA 比它链路更短，和 SID 生成式方法比它泛化和可解释性更好，但大规模广告库下能不能稳住，是后续要观察的点。