小红书精读：UxSID: Semantic-Aware User Interests Modeling for Ultra-Long Sequence

长序列推荐第三条路，10k序列常数推理

各位算法同学们，长序列建模不一定要在“每个候选都检索一遍”和“压成一坨用户向量”之间二选一。UxSID 走的是中间态：用 Semantic ID 把兴趣压缩成语义组共享的记忆，序列拉到 10k 级别线上仍是常数级推理，广告 A/B 收入涨了 0.337%。

📄 UxSID: Semantic-Aware User Interests Modeling for Ultra-Long Sequence

🔧 第三条路：语义组共享兴趣记忆。既不做 item-specific 的逐候选检索，也不做 item-agnostic 的静态压缩，而是让同一 SID 语义簇下的候选共享同一份压缩后的用户兴趣，保留目标相关性，但只暴露有限信号去引导压缩方向。

🧩 两级注意力拆成“压缩 + 探测”。IAIC 先把异构历史压成一组可学习兴趣锚点，用 PFFN 加正交约束逼每个锚点抓不同偏好面，防止表征塌缩；分层语义探测再从超长序列抽全局细粒度信号，用门控语义 query 动态融合压缩兴趣，放大目标相关、过滤噪声。

⚙️ 离线 embedding 和线上推理严格对齐，端到端训，不靠特判。

📊 公开 benchmark 上超过 SOTA，对比的是 SIM、TWIN 这类检索派和 MIMN、LURM、C-Former 这类压缩派。

📈 快手大规模线上 A/B，广告收入 +0.337%。

✅ 序列扩到 10k 交互量级，推理时间与资源占用保持常数级，满足了毫秒级延迟约束。

总结一句：这篇主要对做工业推荐、被长序列 serving 延迟卡住的人有用。要盯的不是离线 AUC，而是序列继续往上加时延迟曲线是不是真的平；另外 SID 质量基本决定上限，RQ-VAE 那套量化如果和业务语义对不齐，压缩出来的兴趣记忆可能只是换个方式丢信息。

原文：AlphaXiv