An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking¶
保真度：核心机制复现。原文线上结论、本地公开数据实验和未复刻部分分开陈述。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2602.12354 |
| 公司/机构 | |
| 首次公开日期 | 2026-02-12（arXiv v1） |
| 原文开源代码 | 否：原文未提供官方/作者代码（核查日期：2026-08-24） |
| Adapter | linkedin-feed-sr |
| 本地复现代码 | src/auto_research/reproductions/linkedin_feed_sr/ |
原始论文总结¶
背景与主要改动¶
将 Feed 候选、交互历史和上下文统一成超长序列，采用 HSTU 式目标注意力、负样本自由评估及增量服务优化。
flowchart LR
A["长 Feed 历史"] --> B["Sequential Recommender"] --> C["全候选排序"]原论文关键图¶
原论文 Figure 3（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
\[
h_t=\operatorname{HSTU}(e_{1:t}),\quad s_i=\langle h_t,e_i\rangle
\]
论文离线与线上效果¶
原文线上证据：time spent +2.10%（production A/B，Section 7 / Table 5）。论文私有口径不能与下方 MovieLens 指标直接比较。
本地复现¶
本地对照口径：基线为共享 transition + content scorer；实验组在同一用户、物品、全库候选和 seed 上只加入
linkedin-feed-sr核心机制，相对 NDCG@10 -0.12%。
MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0539（-0.12%），Hit@10 0.1091 → 0.1091。验证集只选择混合权重，测试集未参与调参。
固定指标见 metrics/public-seed42.json。
复现边界¶
在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；私有特征、生产基础模型和在线流量不可公开，论文 A/B 数字只作原文引用。 本地实现拥有独立模型状态和打分路径；负结果同样保留，且本地相对变化不得与原文 A/B 提升混写。