RankUp：高秩广告推荐表征

Fidelity: 核心机制复现。本地代码执行论文最有辨识度、可由公开数据验证的机制；私有数据、生产模型与服务栈明确列为边界。

论文信息

项目	内容
论文链接	arXiv 2604.17878
公司/机构	Tencent（按第一作者所属机构聚合）
首次公开日期	2026-04-20（arXiv v1）
原文开源代码	否：未找到原作者公开代码（核查日期：2026-09-05）
Adapter	rankup
本地复现代码	src/auto_research/reproductions/rankup/

原始论文总结

背景与主要改动

RankUp 针对深层推荐网络的表征坍缩，组合随机置换分组、多套 embedding、全局 token、交叉预训练 embedding 注入和任务 token 解耦，让随模型规模增长的参数真正转化为更高秩的表达空间。

flowchart LR
  A["公开行为与候选"] --> B["rankup 核心机制"]
  B --> C["同预算方法输出"]
  A --> D["统一直接基线"]
  C --> E["全目录排序与结构诊断"]
  D --> E

原论文关键图

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。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

\[ H=\operatorname{Concat}_{m=1}^{M}\phi\!\left(E_m(XP_m)W_m\right),\qquad H'=H+g. \]

论文离线与线上效果

• 已在微信视频号、公众号和朋友圈全量部署，GMV 分别提升 3.41%、4.81% 和 2.12%。
• 上述数字只复述论文证据，不写入本地公开数据效果结论。

本地复现

本地对照口径：同一 MovieLens 全目录协议下，基线 NDCG@10 为 0.05401，实验组为 0.04702，相对变化 -12.94%。本地代理目标与论文生产任务不同，不能外推线上 lift。

三随机种子的完整结果、均值、标准差与 95% CI 见：

• metrics/public-seeds42-44.json

auto-research reproduce --paper rankup --dataset-dir data --seeds 42,43,44

复现边界

本地使用 MovieLens-1M 的公开子集及可审计代理目标，只验证中心计算机制；不复现原论文的私有日志、生产基础模型、线上分桶和 serving 栈。因此本页不宣称复现原文绝对指标或线上增益。