标签：推荐系统

← 返回标签

• LEMUR 论文解读：工业级端到端多模态搜索推荐怎么做（Memory Bank + SQDC）

  2026/01/15

  解读字节跳动 LEMUR（arXiv:2511.10962v2）：把多模态 Transformer 与排序模型真正端到端联合训练；用 Session-masked Query-Doc Contrastive（SQDC）对齐表示；用 Memory Bank 让超长历史序列的多模态建模在工业成本下可训练、可部署，并给出显著离线/在线收益。

• GPR 论文解读：广告推荐的“生成式一体化”范式，如何用一个模型替代级联系统？

  2026/01/13

  解读 GPR（arXiv:2511.10138v2）：用统一的 U/O/E/I Token 输入与多级语义 ID（RQ-Kmeans+）把广告与内容对齐；用 HHD（HSD+PTD+HTE）做“理解→生成→估值”的层级解码；再用 MTP+VAFT+HEPO（含层级过程奖励与 PPO）完成从预训练到价值对齐与策略优化。

• HSTU 论文解读：把推荐建模成“内容-动作”的生成式序列转导，如何扩到万亿参数？

  2026/01/13

  解读 HSTU（arXiv:2402.17152v3）：将推荐系统重述为序列转导任务并做生成式训练；提出 HSTU（pointwise aggregated attention + 相对时序偏置 + 门控无 FFN）与 Stochastic Length、M-FALCON 等工程算法，实现长序列、流式训练与大规模在线推理。

• RankMixer 论文解读：把排序模型做成“GPU 友好”的统一骨干，如何把 MFU 从 4.5% 拉到 45%？

  2026/01/13

  解读 RankMixer（arXiv:2507.15551v3）：用语义分组的 Feature Tokenization + 参数无关的 Multi-head Token Mixing + Per-token FFN，并结合 ReLU Routing 与 Dense-training/Sparse-inference 的 Sparse-MoE，把工业排序模型推到 1B 参数且延迟基本不变。

• MTGR 论文解读：美团工业级“生成式”推荐框架如何做到可扩展又不丢特征？

  2026/01/12

  解读 MTGR（arXiv:2505.18654v4）：用“按用户聚合候选 + Transformer(HSTU) 编码 + 动态 Mask + GLN”把 DLRM 的 cross feature 和 GRM 的可扩展性揉到一起，并给出离线/线上实验与训练系统工程细节。