推荐算法日报 · 2026-10-21

2 minute read

总览

今天这三篇连起来看，主线很清楚：生成式推荐正在从“换个模型结构”走向“把整条链路重新拆一遍”。最值得优先看的是 Netflix 那篇首页整页生成，200M 的 decoder 直接在线上把整页 row 和 entity 当序列吐出来，核心互动涨了 0.24%、端到端延迟还降了两成，在一个已经榨过多轮的生产系统上这个量级很有说服力，而且它把 tokenizer 设计讲得很实，业务规则能直接映射成 mask 做约束解码；但要看清它的边界——候选集那层并没有拆掉，还不算真正的端到端，线上新老片、剧集电影的曝光漂移也得盯。第二篇是结构对齐的历史建模，用子空间残差量化加码字负载 cap 造出 token、subspace、item 三级结构，再按这个结构做 mask 重建，离线四个类目比 RPG 高 18.6% 到 30.0%，控制实验也做得规矩，不过整套东西对课程学习的调度极其敏感，消融里纯熵引导还不如直接推理，属于“设计对了才涨、调错了就掉”的类型。第三篇是我觉得最该读的方法论样本：它把“只给 Semantic ID 能不能推理重排”做成受控实验，结论是 base 模型压根不会这个接口，1.7B 有 42% 原样吐回输入顺序、8B 有 37% 卡在推理循环里，得靠 SFT 加 RLVR 才救回来；更有意思的是 rationale 审计显示它排得对却基本没“看见”item 是什么，纯靠行为信号在摸，这个发现比指标本身值钱，当然它只有 400 用户、单域离线，证据强度有限。总的来说，今天这批货质量在线，第一篇看工程落地和 tokenizer 设计，第二篇看结构化 ID 的训练目标怎么跟表示对齐，第三篇看评测设计和那个“排序对了但没理解”的诊断。建议今天优先看 Netflix 那篇和 Semantic ID 推理重排那篇，前者告诉你工业界走到哪了，后者告诉你这条路线上还有哪些坑没填。

论文列表

1. GenPage: Towards End-to-End Generative Homepage Construction at Netflix

  • 论文链接：AlphaXiv
  • 更新时间：2026-10-16 18:46 UTC
  • 机构：未披露机构
  • 工业优先级：强
  • 备注：Another version of the paper with a different author list was accepted at ACM RecSys 2026 available at https://dl.acm.org/doi/10.1145/3773078.3831915

Netflix首页被一个模型端到端生成

各位算法同学们，Netflix 把整个首页推荐栈换成一个 Transformer 之后，线上核心互动指标只涨了 0.24%——但这已是他们近几年最大的算法涨幅，而且端到端延迟还降了 20%。这个反差本身就说明了成熟推荐系统里「端到端生成」的真实水位。

📄 GenPage: Towards End-to-End Generative Homepage Construction at Netflix

🔧 把首页当成一段序列来生成：用户历史、画像、请求上下文拼成 prompt，模型自回归直接吐出整页的多行结构（行 ID 加行内实体 ID），召回、排序、重排这套多阶段流水线一次性拿掉。

🧩 自建 tokenizer 而不是套通用分词：一条「用户 30 天前看了 50 分钟某剧」用通用分词要 16 个 token，他们的方案压到 4 个（实体、行为、时间桶、时长桶），同时让 token 和行、实体这些业务概念一一对应，后面才好做规则约束解码。

⚙️ 训练照搬 LLM 那套：先在真实曝光页面上预训练学「首页长什么样」，再用两种 post-training——WBC 在 token 级估价值但解码仍整页自回归，RL 则用页面级 reward model、拿真实互动而不是人类偏好对来优化。工程侧配套冷启动的语义 embedding 融合、多节奏增量训练保新鲜度、约束解码保业务规则、混合行解码压延迟。

📊 线上 A/B 是对着一套已经很成熟的生产推荐栈打的：核心互动指标 +0.24%，p<0.001，端到端 serving 延迟 -20%。

📈 离线最反直觉的一条：现阶段把 prompt 做富，收益比扩模型容量更大，说明瓶颈在输入信息量而不是参数量。

✅ RL post-training 让首页多样性自己涨了，而多样性并不在优化目标里，侧面印证页面级优化能吃到跨行、跨实体的交互。

总结感想：做首页、货架这类结构化多模块推荐的团队可以细看，尤其是想砍多阶段栈的。但要盯两件事：reward model 和长期指标是否同向，以及自家核心指标的敏感度——0.24% 在成熟系统里能不能复现，跟指标底噪关系很大。RL 版本还没上线，另外长历史这类数据仍是人工摘要塞进 prompt，这块是留给后续的坑。

2. Structure-Aligned History Learning with Subspace-Structured Semantic IDs for Generative Recommendation

  • 论文链接：AlphaXiv
  • 更新时间：2026-10-18 07:58 UTC
  • 机构：College of Computer Science, Chongqing University，China Telecom Artificial Intelligence Technology (Beijing) Co. Ltd，MAIS, Institute of Automation, Chinese Academy of Sciences，University of Science and Technology Beijing 等 10 家机构
  • 工业优先级：中
  • 备注：34 pages, 10 figures, including references and appendices

生成式推荐：量化和重建终于对齐了

各位算法同学们，同一套模型、同一批数据，历史重建的“切法”换成量化器自己分好的组，NDCG@10 就能明显往上走——差别不在模型结构，而在“按什么粒度重建历史”。这篇就是把量化和历史学习这两段本来各练各的流程接了回去。

📄 Structure-Aligned History Learning with Subspace-Structured Semantic IDs for Generative Recommendation

🔧 SRBQ 先把去相关后的维度切成子空间，在每个子空间内做残差量化，再对码字占用加约束，直接产出 token ⊂ subspace ⊂ item 的平衡层级，而不是只给单 token 和整条 ID。

🧩 历史重建用的正是这套层级：token 级、子空间级、item 级三种掩码目标，跟量化阶段的结构一一对应，不用再人为拼 token 块。

⚙️ 用预测熵挑出不确定的转换优先重建，配课程学习：随机掩码 → 熵引导重建 → 无掩码的下一个物品预测，把历史重建能力带到推理阶段。

📊 四个 Amazon Reviews 2014 类目上，NDCG@10 比同架构 RPG 高 18.6%–30.0%，比 MHL 高 2.7%–6.0%。

📈 SRBQ 把码字平均峰值负载降 28.8%–32.4%，最差峰值负载降 37.3%–41.3%。

✅ 控制实验里，重建时用真实 SRBQ 分组优于同等大小的人造分组；打乱用户历史后收益下降，说明模型确实依赖用户自己的路径。

你们在做 semantic ID 生成式推荐、正卡在码本利用率和长距离偏好这两件事上，这篇的 SRBQ 和“重建粒度跟着量化结构走”可以直接参考。要注意的是训练被拆成三阶段课程，掩码比例和熵筛选阈值得重调，工程成本不低；而且验证只在 Amazon 2014 四类目，换成工业长序列前，建议先在自己的数据上对齐 RPG、MHL 两个 baseline，重点盯码字占用分布和 NDCG@10 的增益是否还在。

图 1（方法 / 架构）

3. Reasoning Reranking with Semantic IDs as the Sole Item Representation

  • 论文链接：AlphaXiv
  • 更新时间：2026-10-16 01:21 UTC
  • 机构：未披露机构
  • 工业优先级：中
  • 备注：30 pages, 3 figures. Code: https://github.com/lilv98/ReRankID ; data: https://huggingface.co/datasets/lilvjosephtang/ReRankID

不给物品文本，8B模型照样能重排

各位算法同学们，把候选物品的标题、类目、caption 全删掉，只留三个语义 ID token，8B 模型的重排结果能和读两万 token 文本的强 LLM 打平。这篇把“纯 SID 到底能不能支撑 listwise 重排”当成一个可控实验来做，没有只是顺手用一下 ID。

📄 Reasoning Reranking with Semantic IDs as the Sole Item Representation

🔧 造了个 ReRankID testbed：同一批用户和候选集可以分别渲染成纯 SID、纯 caption、两者混合，历史长度（0 到 256）和候选数量（10 到 100）每次只变一个维度，排序质量和不合格输出（照抄输入顺序、推理死循环、格式坏掉）分开统计；这一点比多数重排论文做得更清楚。

🧩 先诊断再训练：未经后训练的 SID 模型几乎不做重排，直接把输入顺序原样返回，即使给上可读 caption 也没修好，只是把失败形式换了个样子；SID prompt 比文本短约 20 倍（最长历史下约 28 倍），但更长历史并没有带来持续收益。

⚙️ 同一协议下比较了 SFT、拒绝采样自训练（RFT）、on-policy 蒸馏（OPD）和带排序 verifier 的 RLVR；SFT 就能消掉照抄和死循环，在 8B 上 RLVR 又在 SFT 之上再涨一截，并用分级排序奖励优于二值 top-1 奖励。

📊 8B RLVR 版是最强的纯 SID 重排模型，和读文本的 LLM 相比，prompt 短约 20 倍。 📈 完全不给历史时它仍高于随机，caption 参考模型做不到这一点。 ✅ 历史拉长到文本 prompt 超过 50k token 时，它保持收益，caption 参考模型已经不再提升。 🔍 配对 rationale 审计：它比文本参考更会讲权衡，但描述它没见过文本的物品时更不准。

总结：如果你们线上已经是 SID 索引的生成式推荐，想在最后一级加 reasoning 重排又不想承担几万 token 的 prompt 成本，这个方向可以直接试；重点看 rank 指标、照抄输入顺序的比例和输出格式失败率。需要注意的地方在于，它的 rationale 只能当排序解释看，不能当物品描述用；另外它比的是 caption 参考模型，不是最强文本重排器，在 1.7B 上 RLVR 相对 SFT 基本没赚，别指望小模型白捡。

Updated: