小红书精读：UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking

🔧 数据模型协同缩放，搜索排序新高度

各位算法同学们，今天聊一篇来自淘宝的搜索排序论文。它把数据和模型放在一起缩放，而不是只堆参数，离线在线都涨得很明显，值得一看。

📄 UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking

🔧 核心思想是数据与架构协同设计。纯参数缩放会边际收益递减，问题其实出在数据上，所以要同时扩数据和改模型。 🔧 数据侧提出ES³，做全域样本扩展：域内加入未曝光样本并设计分层标签归属，把跨域反馈补到搜索样本上；跨域则把非搜索交互改造成带伪查询的搜索样式样本，样本量能放大5倍。 🔧 模型侧提出HHSFT，用异构分层特征交互处理复杂特征分布，再用全域用户兴趣融合做跨域知识迁移，避免直接混数据带来的负迁移。

📊 在淘宝几十亿样本上，HHSFT+ES³比基础MLP模型AUC提升1.14%，GAUC提升0.86%，模型参数300M，TFLOPs只有1.22。 📈 线上A/B测试10天，购买转化提升1.70%，GMV提升2.04%，统计显著。 ✅ 有意思的是，同样扩数据，标准backbone会掉0.43% AUC，但配合HHSFT能涨0.32%，说明架构必须跟着数据一起设计。

整体感觉落地性强，ES³只在训练时加开销，线上推理零成本。但要注意跨域样本的负迁移，直接拼数据会翻车，DREF和DAPGA这两个模块是收益关键，值得细读。

原文：AlphaXiv