按公司¶

每篇论文独占一行；简介只概括主要方法，实验效果与复现边界请进入单篇文档查看。

Baidu¶

2026-09 · GESE：先生成多样且忠实的标题候选，再依据当前用户上下文选择展示标题。

Alibaba International Digital Commerce Group¶

2026-09 · LazFormer：以生成式预训练迁移序列知识，再用 residual adapter 与近密远疏注意力适配工业排序。

Yandex¶

2026-08 · Sona：压缩长历史并自回归生成层级 Semantic ID，再以 item ranker 统一替换音乐推荐级联。
2026-08 · Gryphon-v2：以共享历史编码器统一 SID 生成和 item-level 排序，用 rollout 与 logged impression 双来源蒸馏训练期 teacher。

Dable¶

2026-09 · BAFF：用广告排名差与出价差的双轴过滤，降低 RTB A/B 共享训练日志的相互干扰。

AI VK¶

2026-08 · VK Friend-GNN：以多哈希共享表压缩超大用户 embedding，并用时序邻接与 cutoff 避免邻居采样泄漏未来边。

Netflix¶

2026-08 · Multimedia Asset Personalization via Multimodal Embeddings at Netflix：把冻结多模态 embedding 接入统一资产双塔，并用查询相似度增强搜索画布打分。
2026-08 · Netflix GenRec：用文本化上下文和 causal LLM 产生用户表示，catalog-aware head 一次打分全目录，并以联合语言/排序与长期 reward 目标后训练。
2026-06 · GenPage: Towards End-to-End Generative Homepage Construction at Netflix：用一个模型直接生成整页，并以长期用户奖励和业务约束进行后训练。

JD.com¶

2026-08 · DEGR：联合 next-item CE、cohort 多样性与 reward-adaptive ORPO，并在推理时执行多样性感知重排。
2026-03 · GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce：联合生成搜索分面和改写 query，再以检索满意度执行偏好对齐。

Alibaba International Digital Commerce Group¶

2026-09 · MIMA：将同请求物品组成多正例集合，以排他匹配监督互补兴趣，并用 activation routing 校准多通道分数。

Alibaba¶

2026-08 · DCEO：以直接因果效应分离短期点击与长期用户价值，并用多目标策略权重优化电商搜索排序。
2026-08 · TransRetrieval：把 target token 压缩、多域归一化与大规模 Transformer 检索结合，在受控 serving 预算下扩展召回模型。
2026-08 · DREAM：以 L0/L1/L2 意图、策略记忆和有界 typed compiler 控制现有推荐链路，再用离线探索与线上结论回流持续更新策略。
2026-08 · MetaStrategy：根据请求生成带类型的多目标排序策略，并由确定性 compiler 校验、执行和审计。
2026-07 · SWAG：以 masked future plan 和滑动窗口目标进行长周期生成式自动出价。
2026-07 · SpecFormer：以谱软化 attention 与谱残差位置编码缓解推荐 Transformer 的表征坍缩。
2026-07 · TSGR：用 residual semantic prefix 加并行全局/query 价值码生成候选，再以联合 VRM 把相关性与商业价值统一排序。
2026-07 · RecGPT-V3：以可增量 Memory Hub 压缩长期行为，把文本与商品 Semantic ID 统一进基础模型，再将显式 CoT 蒸馏为可重建 latent intent token。
2026-07 · TMallGS：通过 field-wise QKV、噪声门控、FiLM 与 progressive supervision 统一 query、行为和商品字段。
2026-07 · DANet：对折扣率时间序列做高低频分解，并用用户折扣偏好和促销上下文修正 CVR 预测。
2026-07 · SAM：学习购买后的兴趣退出与个性化恢复周期，通过 ASGU 在注意力 logit 上动态压制重复意图。
2026-07 · Prompt Generation：把异构特征组织成配置驱动的生成提示，通过 token 压缩和多种合并策略服务搜索与推荐召回。
2026-06 · EvoRec：让模型候选和优化方法双轨进化，并从持久实验记忆中提炼下一代可复用技能。
2026-06 · SSRLive：以静态/动态 Semantic ID、用户侧 decoder 和 User–Live Cross Module 联合建模直播内容身份与实时状态。
2026-05 · DeGRe：离线用累计价值评估器做前瞻 beam 搜索，把逐前缀 dense 价值分布蒸馏到在线单次生成器。
2026-05 · AKT-Rec：用 LLM 对齐内容与协同信号并生成层级 Semantic ID，通过非对称 head-to-tail 迁移改善长尾 CTR 排序。
2026-05 · GrowthGR：用 ItemLTV 估计新品点击的长期增量，并以多价值 MoPO 对 Semantic ID 生成策略做偏好对齐。
2026-05 · CQ-SID：用类目约束残差 Semantic ID 表示商品，再以多专家奖励和 EG-GRPO 优化生成检索。
2026-05 · RecGPT-Mobile：在端侧用量化 LoRA LLM 把异构行为翻译成下一意图 query，并以 adaptive prompt 和漂移触发控制资源消耗。
2026-05 · LWGR：把个性化 soft instruction 注入 LLM 世界知识，并用交叉注意力和拉格朗日约束与推荐分数融合。
2026-02 · GRC：把生成、首错位置/属性反思和纠正串成结构化轨迹，再以 GRPO 与熵调度优化有限纠错预算。
2026-02 · SIGMA：用 LLM 对物品做多视角语义 grounding，以混合 SID/ID token 和多任务 SFT 训练生成式推荐器。
2026-02 · HiSAC：用层级投票生成少量兴趣 agent，再对超长历史做 query-conditioned soft routing。
2025-12 · RecGPT-V2：以层级意图 agents、混合压缩表示、meta-prompt 和约束偏好 RL 升级淘宝意图推理。
2025-09 · IntSR：把显式 query、隐式会话意图、时间信息和 POI 词表统一为搜索推荐生成框架。
2025-08 · SaviorRec：用行为监督训练内容编码器，生成 RQ Semantic ID，并通过多行为适配模块改善冷启动。
2025-06 · MGOE：构建宏观任务合并图，让 graph experts 显式传播多任务关系后进入独立预测塔。
2025-05 · SORT-Gen：用 causal Transformer ordered regression 估计列表前缀多目标价值，再以目标队列、mask 和 MMR 单次批量生成 slate。
2025-02 · FilterLLM：把新品文本一次性映射到用户词表分布，并用历史行为约束冷启动召回。
2025-02 · SERAL：构建用户认知画像，用 IPO 对齐惊喜度偏好，并通过 nearline 链路注入推荐排序。
2025-02 · LUM：通过 next-condition-item 预训练和 group query 压缩用户知识，再把生成表征注入判别式排序器。
2025-02 · MIM：以遮盖多模态预训练和内容兴趣感知 SFT 对齐内容/协同空间，再由 CiUBM 融合排序。
2023-11 · BEQUE：生成用户相关的搜索改写，并结合离线检索反馈、自采样与偏好排序优化改写质量。
2022-05 · M6-Rec：把推荐任务统一改写为自然语言任务，在预训练语言模型上使用轻量 option-adapter 完成多场景适配。
2020-06 · SIM：以候选 item 为 query，先从超长历史检索相关行为，再由精确搜索单元做候选相关注意力聚合。
2019-05 · BST：把候选商品作为 token 与用户行为共同送入 Transformer，显式建模序列内依赖。
2018-09 · DIEN：用 GRU 抽取逐步兴趣，以下一行为辅助监督并由候选相关门控控制兴趣演化。
2018-04 · ESMM：在全曝光空间联合训练 CTR 与 CTCVR，并用 pCTR×pCVR 缓解点击后转化的选择偏差。
2017-06 · DIN：用候选物品感知的局部激活单元，从用户历史中动态提取相关兴趣，并以 Dice 激活训练 CTR 排序模型。

Ant Group¶

2024-03 · BAHE：缓存每个原子行为的浅层语言表示，只在线聚合高层序列，从而降低长文本 CTR 建模成本。

Baidu¶

2025-03 · COBRA：先用稀疏生成缩小候选空间，再用稠密生成细排，形成级联式生成召回。

ByteDance / Douyin / TikTok¶

2026-09 · SequenceO1：把远期超长历史压成固定预算 prototype sketch，并与近期行为分支共同建模。
2026-09 · From Language to Behavior: Scaling Sequence Transformers for Industrial Recommendation Ranking with Rec-Native Designs：用双门控时序编码抑制行为噪声，并将重型用户编码与轻量候选交叉解耦，实现请求内共享计算。
2026-08 · TM20K：教师保留完整行为 token，学生用连续合并和蒸馏压缩超长序列。
2026-08 · DME：先做多模态对比预训练，再以 typed latent evidence 和 cross-conditional reconstruction 保留细粒度对侧语义。
2026-08 · STEPS：用 ordinal planning、trajectory execution 与 filtering agent 闭合“是否推送—何时再唤醒”，并已在抖音全量部署。
2026-05 · Rec-Distill：结合 batch 与 streaming teacher，把大模型知识蒸馏到轻量推荐 student，并优化跨任务可迁移性。
2026-05 · MuChator：从多轮对话中发现显式与潜在意图，并结合会话反馈选择后续推荐候选。
2026-05 · FLUID：把直播多模态切片量化成 slice/room 两级 LUCID，以 prefix n-gram late fusion 完全替代短生命周期候选 ID。
2026-05 · PA-Bridge：对齐主动搜索与被动推荐的表征分布，使两种用户表达方式互相补充。
2026-03 · HAP：按候选异质难度路由轻量/强预排分支，并以 harmonization 对齐不同计算预算。
2026-02 · MixFormer：在统一 Transformer 中平衡 dense 特征交互与序列建模，并按预算选择可训练模块。
2026-02 · MDL：把 feature、scenario、task 全部 token 化，并以 domain-feature attention 深层共享。
2026-02 · MSN：用两轴 Product-Key Memory 扩大参数容量，每次只激活 top-k 槽位并与 dense 主干门控融合。
2026-02 · TokenMixer-Large：交替执行无参数 token mixing、head-wise/token-wise SwiGLU，并以间隔残差和辅助头稳定深层扩容。
2026-01 · HyFormer：联合编码用户序列与搜索 query，通过 query decoding 和 boosting 强化搜索推荐信号。
2025-10 · OneTrans：用统一因果 Transformer 覆盖多场景排序，并复用 KV cache 降低线上推理成本。
2025-07 · RankMixer：交替进行 token mixing 与逐 token FFN，并探索稀疏 MoE 以扩展工业排序网络。
2025-05 · LONGER：结合混合注意力、InnerTrans、token merge 与 KV cache，扩展超长用户行为序列建模。
2025-01 · AdaF²M²：通过 feature-mask 多次前向学习完整表征，再按用户/物品状态动态调节 adapter。

Dewu¶

2026-08 · SPEAR：用双 embedding、confidence×relevance 乘法门和动态 selector 联合优化个性化改写与检索。

Google / YouTube¶

2026-07 · HA-MoE：依据内容异构性动态路由领域、转移、内容与新鲜度专家，在单一模型中统一开放网页排序。
2026-07 · ClockRoPE：从日/周周期 kernel 的 Fourier 频谱采样旋转频率，为生成式召回显式建模用户 routine。
2026-07 · Dual-purpose Semantic IDs：让分层 SID 同时承载协同身份并通过 Semantic Decoder 重建内容 embedding。
2026-07 · YouTube Freshness：比较 recency、IPS、bias tower 与不确定性探索对新内容反馈环的影响。
2026-07 · RecEvolve：以知识库驱动候选提案、隔离实验、critic gate、冠军继承和回滚，形成可审计的推荐自主进化闭环。
2026-06 · TokenMinds：让共享 encoder 同时产生稠密用户向量，并由 decoder 生成可落到内容语义空间的 SID 用户 token，再共同服务下游排序。
2026-05 · Semantic-Native Long Sequence Modeling：以层级语义 ID、bigram、时间折叠和 global-local pooling 扩展视频长历史。
2026-04 · AgenticRecTune：以 Actor、Critic、Insight、Skill 和 Online agent 闭合推荐配置的多轮实验反馈。
2026-03 · Cross-domain KD：把 YouTube 等源域 teacher 的知识蒸馏到目标域，实现面向音乐发现的零样本迁移。
2026-02 · Self-Evolving RecSys：让 LLM Agent 根据历史实验提出、评估和迭代推荐策略，形成自动改进闭环。
2025-10 · PLUM：对 LLM 进行推荐语料 CPT 与 SFT，并以 Semantic ID 生成物品序列。
2023-05 · TIGER：用 RQ-VAE 把物品量化为层级 Semantic ID，再通过自回归模型直接生成召回结果。
2020-08 · DCN-V2：用低秩 cross experts 与输入相关 gate 高效学习有界阶数特征交互。
2018-08 · MMoE：为 CTR、转化等任务学习独立 gates，以不同权重组合同一组共享 experts。
2016-09 · YouTube DNN：用观看历史聚合与深层用户塔学习候选召回向量，再做大规模 item 近邻检索。
2016-06 · Wide & Deep：联合显式 wide 特征交叉与 deep tower，兼顾共现记忆和未见组合泛化。

Huawei¶

2026-07 · RAMP：用个性化/公共双路径、可用性 mask 和 prediction-alignment 蒸馏提升缺失用户字段时的广告排序鲁棒性。
2025-02 · FuXi-α：用时间、语义等自适应多通道注意力和 multi-stage FFN 扩展推荐特征交互模型。
2023-06 · KAR：让 LLM 生成用户偏好与物品事实知识，再由 hybrid-expert adapter 融合进传统推荐模型。
2017-03 · DeepFM：用共享 embedding 联合 FM 二阶交互和 deep 高阶交互，减少手工特征交叉。

Kuaishou¶

2026-09 · UniRec：联合预排和精排融合，以纵向偏好对齐、紧凑 pairwise 聚合和组相对正则协调级联阶段。
2026-08 · HRPO：按层级 Semantic ID 前缀构造 residual credit-to-go，让生成式推荐的策略更新同时优化局部 token 与整条推荐轨迹。
2026-07 · RecoReward：以目标/非目标推荐亲和力差作为多模态描述的训练奖励。
2026-07 · TWICE：用双时钟和双窗口校正在线广告长期延迟转化。
2026-07 · UniR²：用统一 decoder 和 Dual-Query Prefix-Causal Attention 同时学习层级 SID 生成与多目标排序，并以 ranking-only LoRA 避免梯度冲突。
2026-07 · UAME：把满意度分数建模为均值—方差 Gaussian 变量，用多目标冲突产生的不确定性加权 pairwise 排序训练。
2026-07 · RECAP：把流式用户画像维护为固定容量语义状态，并用推荐反馈评价器和 GRPO 闭环优化画像更新策略。
2026-06 · POEM：将实时多目标排序信号转成偏序，动态构造兴趣序列。
2026-06 · UniFormer：拆分 feature/task token 空间并统一交互，支持模型中心协同扩展。
2026-06 · Recommendation as Generation：以解耦语义 ID 连接生成式推荐和兴趣条件内容生成。
2026-06 · Taiji：在语义匹配与协同信号之间自适应选择 Pareto 工作点，兼顾冷启动与成熟内容。
2026-04 · GloRank：在全局 Semantic ID action space 上做 listwise SFT 与组相对奖励优化，避免局部候选池限制。
2026-04 · CS3：通过循环自修正、跨塔同步和级联教师信号增强仍可 ANN 服务的双塔模型。
2026-04 · Dual-Rerank：以 AR 顺序教师蒸馏 NAR 并行名次学生，并把列表效用与延迟共同纳入目标。
2026-02 · GR4AD：构造用户感知 Semantic ID，结合 LazyAR、可变长度生成和 RSPO 完成生成式广告召回。
2026-01 · OneMall：以统一 Semantic ID、场景 prompt 和跨行为融合覆盖商品卡、短视频与直播生成推荐。
2025-11 · DualGR：融合长短期兴趣路由、受约束 SID 前缀和曝光感知损失完成生成召回。
2025-08 · MPFormer：以任务 token 驱动共享序列检索器，并按难度动态分配容量与 serving 配额。
2025-08 · OneRec-V2：使用 lazy decoder 降低生成延迟，并用真实反馈强化学习和 GBPO 优化推荐序列。
2025-02 · OneRec：把 session 推荐建模为 Semantic ID 序列生成，并结合 MoE 与偏好优化对齐真实反馈。
2024-07 · TWIN-V2：离线层次压缩生命周期行为，在线通过候选相关 GSU 检索兴趣簇，再以 ESU 精确建模原始行为。
2024-06 · CDM：将可控 MMR 教师的上下文多样性边际收益蒸馏到低延迟学生。
2024-06 · CWM：以统一视频时长干预下的反事实观看收益抵消 duration bias。
2024-05 · LEARN：冻结 LLM 生成内容增强表征，再通过协同域适配改善冷启动和长尾推荐。
2024-03 · LSVCR：用 LoRA 学习 LLM 偏好，通过 SSC/VCC 双序列目标对齐评论语义和用户行为。

Meituan¶

2026-07 · CORE：把三级电商相关性拆成两道条件边界，以 step-GRPO 提供细粒度 credit，再将 PostCoT LLM 蒸馏到在线双头模型。
2026-07 · NONTP：在 NTP 上加入未来状态对比学习和跨域 hidden-state pooling，扩大生成式推荐的训练监督覆盖。
2026-04 · MBGR：通过 business-aware SID、共享 MoE 和最近未来标签路由，同时学习多个业务域的生成目标。
2026-02 · DOS：用协同/语义双流和正交 residual quantization 对齐 SID codebook 与生成空间。
2025-10 · CRSD：用领域 reasoning teacher 构造增强视图，再让同一轻量学生执行普通/推理双视图对比自蒸馏，线上无需生成推理链。
2025-02 · SessionRec：按真实 session 生成候选，并利用曝光负例和 hard negative 改善会话级召回。
2024-12 · MSD：把 teacher 的用户知识自回归蒸馏到小模型，再通过 LoRA 和缓存表征对齐 CTR 任务。

Meta¶

2026-09 · CORAL：在预算与执行约束下让 LLM 连续提出推荐配置，并以最近实验记忆和生产反馈驱动下一轮优化。
2026-07 · ROCS：复用单次 request encoding，并在候选端执行轻量 late interaction，统一覆盖广告/自然流量的检索和排序 serving。
2026-07 · OneShot：将层级索引纳入 ranking objective 共同训练，并以 neural interaction scoring 突破纯点积检索。
2026-07 · Memory Layer：把 cache 纳入模型训练，以 eta=1 writeback 和 always-on 属性表征消除训练服务偏差与冷启动缺口。
2026-07 · Mosaic：将多类用户 embedding 组织为 specialist fleet，并通过 MRM 联合标签与 cosine redundancy loss 保持新增表征的独特信息。
2026-07 · WHALE：逐层耦合 Wukong 高阶特征交互和门控 HSTU 序列建模，形成共同扩展的统一排序模型。
2026-07 · SlimPer：用固定容量 user-item knowledge base 逐层查询完整历史，并通过 Select–Match–Refine 把计算集中到候选相关证据。
2026-07 · Cluster GOOBS：在线聚类用户或物品表征，并以 cluster-aware sampler 改善训练样本覆盖和头部集中。
2026-06 · NEXT：用 VLM 生成并验证 item→intent→item directed edges，离线构图后在正反馈时在线注入。
2026-06 · CMSL：用可学习兴趣 lenses 拆分多兴趣序列，并结合 HSTU 建模不同语义 strand。
2026-06 · G2Rec：构建可微 soft graph，并联合图结构与生成式双目标学习用户—物品关系。
2026-06 · RankGraph-2：用流行度校正边、离线多跳 PPR 和 residual cluster index 降低工业图召回的在线成本。
2026-05 · SCALR：学习跨域条件分布并概率采样合成训练事件，替代覆盖度较低的确定性 top-k 翻译。
2026-05 · Memento：采用 query-conditioned MMR 在相关性与多样性之间动态权衡，进行候选重排。
2026-05 · LLM Retrieval：通过 domain SFT 生成层级广告属性，构建语义图并约束召回结果对属性扰动的稳定性。
2026-05 · MM-LLM：把多模态内容转成 caption/token 特征，再注入推荐模型增强内容理解。
2026-04 · HILL：用跨层 residual quantization 学习 coarse-to-fine 检索索引，减少候选打分量。
2026-04 · SOLARIS：预测未来 user-item 请求，异步预计算 foundation-model latent，并通过 cache/fallback 服务线上排序。
2026-02 · ULTRA-HSTU：组合半局部注意力、逐层扩窗 LBSL 与 Mixture of Transducers 扩展超长历史。
2026-02 · MFLI：联合学习语义、流行度与新鲜度等多个 facet 索引，替代静态单空间 ANN。
2026-02 · Kunlun：用 GDPA、分层 seed pooling、全局交互与 CompSkip 统一深层广告排序架构。
2026-01 · LLaTTE：把 LLM 语义特征与推荐表征结合，并面向大规模排序设计特征交互结构。
2025-06 · RADAR：在请求后异步运行完整排序器，把高价值结果缓存为下一请求的召回补充。
2024-02 · HSTU：以分层顺序转导单元建模超长行为历史，用生成式目标统一大规模推荐排序。

Pinterest¶

2026-07 · PinEqualizer：贯通探索 corpus、召回、排序与 utility，通过 engagement dropout、内容交叉、分 cohort calibration 和 UCB 缓解 fresh 内容反馈回路。
2026-07 · PinDCO：以组件专塔学习相对广告基线的创意增量分数，再用 PAM 协调整页像素收益并以预筛控制成本。
2026-07 · Pin-SCALE：用 engagement-aware SID、级联 pooling 和多视角对比对齐接入 dense retrieval。
2026-07 · Downstream Rewards：离线筛选能预测未来参与度的长期 reward，再以模型无关附加头接入多个推荐 surface。
2026-07 · Causal Retrieval：用 doubly-robust uplift 决定是否触发 shopping candidate generator。
2026-07 · MESH：把 user/item/context 特征放入独立放大塔，再用 residual gated bias correction 保护 fresh 内容信号。
2026-05 · Complementary LLM Ads Predictor：对广告主列表进行 SFT/GRPO，让 LLM 作为传统广告召回与排序的补充预测器。
2026-05 · A Production-Ready RL Framework for Personalized Utility Tuning with Pareto Sweeping in Pinterest Recommender Systems：以双头 Q 网络和 Pareto 扫描选择可治理的个性化多目标 utility 策略。
2026-03 · PinCLIP：以 VLM 图文对齐加 Pin-Board 邻居目标改善 fresh 内容表征。
2026-02 · ML-DCN: Masked Low-Rank Deep Crossing Network Towards Scalable Ads Click-through Rate Prediction at Pinterest：用可学习 mask 与低秩交叉扩大 DCN 容量并保持线上成本中性。
2025-09 · DRL-PUT：从 logged ads behavior 学习相关性、新颖性和收益等排序 utility 的动态权重策略。
2025-07 · Click A, Buy B：拆分同物品 CABA 与跨物品 CABB 转化归因，并用商品 taxonomy 建立协同权重。
2025-07 · PinFM：以 DCAT 等序列模块构建推荐 foundation model，并通过预训练—微调适配多个流量场景。
2025-06 · TransAct V2：用候选感知的终身行为序列和 next-action 多任务目标增强 Homefeed 排序。
2025-04 · PinRec：根据目标 outcome 生成多 token 物品表示，以条件生成方式完成召回。

Tencent / WeChat¶

2026-07 · CCFormer：分离 ID 与内容字段后门控融合，并以分层压缩保留近期细节和远期兴趣，服务腾讯视频推荐。
2026-07 · ASARL：用 Reason/Critic/Gen 多 Agent 闭环整理社交搜索数据，再经 SCT、偏好优化和蒸馏得到在线相关性模型。
2026-07 · BARGE：用 item-level ICA 恢复多 token Semantic ID 边界，通过逐层 HPR 与正交双路径 DPD 抑制生成漂移。
2026-06 · NOVA：以 architecture gradient 驱动候选修改，并用四级验证级联阻断可运行但语义错误的架构。
2026-05 · UniVA：用 Commercial SID 和 generation-as-ranking 统一广告生成，并通过价值对齐 RL 与 trie beam 优化收益。
2026-03 · OneRanker：用 fake item token 统一生成、价值预测和工业广告排序，并约束两种分布一致。
2026-02 · S-GRec：以 LLM 个性化语义 judge 产生偏好监督，再用 A2PO 蒸馏到轻量 SID 生成器。
2025-12 · HiGR：先生成层级 Semantic ID 簇再解码物品 slate，并以 ORPO 做列表偏好对齐。
2024-12 · PRECISE：联合 LLM 语义 token 与协同 ID，使用 top-k MoE 和通用/目标训练建模序列推荐。
2024-11 · LEADRE：生成意图感知 Semantic ID，并通过 DPO 对齐广告展示与转化偏好。
2020-09 · PLE：把共享 experts 与任务专属 experts 分组，通过 CGC gates 逐层分离共性和任务特性。

Xiaohongshu¶

2026-09 · SIRF：把 trigger、exemption 与账户级规则关系合成为持续预训练数据，并以单次 verdict 和 P95 阈值服务工业内容风控。
2026-08 · OneModel：以共享长序列 backbone、场景条件门控和全局/局部分层表征统一推荐、广告与商家排序。
2026-03 · IDProxy：先把多模态 LLM 表征对齐到协同 ID 空间，再通过多层 proxy adapter 和残差门控注入排序器。
2025-05 · GenRank：把多种用户动作编码为生成目标，通过 action-oriented generation 完成端到端排序。
2024-03 · NoteLLM：把内容压缩到特殊 token，以 GCL 注入协同信号，并用 CSFT 保持生成能力。

Yandex¶

2026-07 · Long-History User Transformers：用异步全历史 Transformer 生成固定缓存，线上只编码近期事件，在不重算长序列的情况下增强广告排序。
2025-07 · ARGUS：分解用户反馈与物品表示，在大规模 Transformer 中联合建模音乐序列。

Microsoft / Bing Ads¶

2026-05 · HARNESS-LM：先训练强检索 teacher，再以 L2 对齐和冻结文档塔对比精修压缩在线 query encoder。

Airbnb¶

2026-07 · Proximity Features：用自适应地理桶聚合群体行为，为无持久 user ID 的匿名用户提供隐私合规冷启动特征。
2026-06 · JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling：统一编码长短 guest journey 与事件时间，在生产搜索中替代手工序列特征。
2026-01 · Applying Embedding-Based Retrieval to Airbnb Search：用旅程级检索和多阶段排序统一 Airbnb 的体验推荐链路。

Teads¶

2026-07 · Open Web UFM：以开放网页用户行为做双裁剪对比预训练和 next-item 监督，再把共享 user encoder 迁移到广告 CTR 与访问预测。

Spotify¶

2026-05 · Stochastic Primal-Dual Decoding：解码时逐步更新约束乘子，在推荐相关性与用户满意度约束之间做序列级校正。
2026-03 · GLIDE：用 residual Semantic ID 自回归检索，并联合近期历史与长期用户 soft prompt 扩大探索。
2026-01 · Podcast MTL：共享广告、推广与 organic stream 表征，将高资源任务知识迁移给冷启动 podcast。

NetEase¶

2026-09 · AutoLR: Automating the Path from Research to Launch Review in Industrial Recommender Systems：以多专家评审、证据加权预算和确定性晋级门串联研究、实验与上线评审。
2026-07 · Melo：用多节点音乐 Agent、实体目录 grounding 和反思重试生成可靠 playlist。
2026-06 · PIANO：用查询驱动兴趣精炼和信息聚合节点执行个性化 listwise 音乐重排。

Shopee¶

2026-08 · KGD：以 BMTP、冻结知识迁移和正交 ACR 解耦预训练知识与推荐几何，使流式模型可以低成本刷新外部知识。
2026-06 · OneRank：用原生统一 Transformer、任务私有通道和梯度隔离执行多任务排序。
2025-09 · OnePiece：用上下文 token、块级 latent reasoning 和递进多任务训练统一级联排序。

Twitch¶

2026-08 · Twitch Multi-Objective Ranking：联合即时与延迟直播反馈，并以生命周期分群 gate 调节共享专家，避免单一短期目标主导排序。

NAVER WEBTOON¶

2026-08 · LLM Thompson Priors：用 LLM 语义判断初始化评论冷启动先验，再通过分群 Thompson Sampling 在探索与点击收益之间自适应取舍。

JD.com¶

2026-07 · OxygenREC-v2：把 click/cart/order instruction 内化到 SID 生成，并用未来交互特权教师与熵路由蒸馏联合后训练。
2026-04 · GenRec：把下一页作为联合生成目标，通过非对称 Token Merger 和带 NLL 约束的 GRPO-SR 优化整页。

学术与经典基线¶

2026-05 · MDCNS：从多种负样本分布协同采样，并通过双模型更新降低单一采样偏差。
2018-08 · SASRec：用因果自注意力编码用户行为序列，并预测下一物品，作为经典序列推荐基线。

Michigan State University¶

2026-08 · ConnectionMind：在时序异构社交图上用最短正路径 SFT 和规则奖励 GRPO 学习多步探索，再把路径教师蒸馏给 GNN student。

Kuaishou Technology¶

2026-08 · TAGR：用稳定两级语义/协同 ID、多尺度用户兴趣和行为价值门控，在直播广告中生成兼顾相关性与商业价值的候选。
2026-08 · From a Static Multi-Level Small Semantic Codebook to a Dynamic Single-Level Large Semantic Codebook for Generative Recommendation：用曝光加权动态大码本替代多级小码本，并保留独立碰撞码以缩短 SID 解码。
2026-08 · Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs：以统一语义-协同 ID 生成整张 slate，再用列表反馈做保守策略对齐。
2026-08 · PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation：先生成可服务 SID，再按需生成可解释 copy，并在在线侧融合两种表示。
2026-07 · PSG：在 ordered pair 空间生成半长度序列，再无重复展开为 item slate。
2026-05 · DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems：冻结成熟 watch-time 模型，学习分布感知乘性残差且保持服务接口不变。
2026-04 · SID-Coord: Coordinating Semantic IDs for ID-based Ranking in Short-Video Search：以层级 SID、目标感知 HID–SID 门控和兴趣对齐增强长尾泛化。
2026-03 · SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search：用满意度奖励和双重相对优势优化短视频搜索多任务融合。
2026-02 · CAPTS: Channel-Aware, Preference-Aligned Trigger Selection for Multi-Channel Item-to-Item Retrieval：以价值感知匹配和跨渠道自适应路由选择 I2I 召回 trigger。
2026-02 · Jointly Optimizing Debiased CTR and Uplift for Coupons Marketing: A Unified Causal Framework：联合学习去偏 CTR 与因果 uplift，并显式估计 treatment 和 counterfactual 响应。
2026-02 · SMES: Towards Scalable Multi-Task Recommendation via Expert Sparsity：用渐进式稀疏路由和去重执行，为不同任务动态分配专家容量。
2026-01 · Towards End-to-End Alignment of User Satisfaction via Questionnaire in Video Recommendation：用独立 LoRA 与多任务路径把稀疏问卷满意度接入持续在线学习。
2026-01 · S2GR: Stepwise Semantic-Guided Reasoning in Latent Space for Generative Recommendation：把语义引导逐步写入潜空间推理，增强生成式推荐的中间决策。
2026-01 · PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations：以过程奖励监督生成式推荐的中间推理，而非只依赖最终命中。
2026-01 · Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency：用关系感知注意力和一致性约束协调多阶段工业排序。

Amap / Alibaba¶

2026-08 · IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation：让多个业务任务在长短双流的不同层级执行交互查询，而非仅共享底层编码。
2026-07 · Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap：把时空历史编码为 SID，并以课程训练和长期反馈优化下一 POI 生成。

Huazhong Agricultural University (Kuaishou internship)¶

2026-07 · RecHarness: A Bandit-Routed Agentic Harness for Self-Evolving Recommender Systems：用 bandit 在有限预算下路由候选结构实验，并把验证反馈写回下一轮。
2026-07 · From Understanding to Action: Feedback-Grounded Policy Discovery for Generative Recommendation：从真实反馈发现生成策略，再用双空间关系蒸馏到轻量线上排序器。

Rajax Network Technology / Taobao Shangou / Alibaba¶

2026-07 · GALA: Generative Aligned Learning for Adaptive Multimodal Representation in the Taobao Shangou Recommender System：通过三元组预训练、GRPO 行为对齐和 ID/多模态门控形成可部署表示。

QuintoAndar¶

2026-07 · LLM-Based Re-Ranking for Real Estate Search：结合对话需求、房源属性、文本描述与候选集合统计执行 LLM 重排。

University of Washington¶

2026-07 · Adaptive Ad Load Design for Sponsored Search Markets: Evidence, Theory, and Deployment：从随机现场实验学习收入—转化曲线，再按请求动态选择广告数量。

NetEase Cloud Music¶

2026-05 · L2Rec: Towards Dual-View Understanding of LLMs for Personalized Recommendation：用个性化双视图 LoRA-MoE 分别适配语义和行为，再自适应融合。
2026-02 · Climber-Pilot: A Non-Myopic Generative Recommendation Model Towards Better Instruction-Following：将多步消费前瞻蒸馏到单步召回，并在注意力内注入业务指令。

University of Science and Technology of China / Alibaba¶

2026-05 · From Item-Only to Query-Item: Query-Conditioned Generative Search with QGS in Quark：把 query-item 联合序列交给 Linear HSTU，并融合稀疏交叉特征做生成式搜索。

Tubi¶

2026-05 · TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery：以统一 user story 和任务提示让同一模型完成 item、carousel 与 search 排序。

TikTok¶

2026-05 · PEARL: Unbiased Percentile Estimation via Contrastive Learning for Industrial-Scale Livestream Recommendation：通过多样本对比估计低方差行为 percentile，并扩展到多个直播目标。

Huawei Technologies¶

2026-05 · Effective Knowledge Transfer for Multi-Task Recommendation Models：按任务相似度把 CTR 知识迁移到多个 CVR 塔，并抑制难例负迁移。

University of Electronic Science and Technology of China / Kuaishou¶

2026-04 · Beyond Static Collision Handling: Adaptive Semantic ID Learning for Multimodal Recommendation at Industrial Scale：依据碰撞负载、语义相容性和训练阶段动态调节 SID 重叠约束。
2026-02 · Stop Treating Collisions Equally: Qualification-Aware Semantic ID Learning for Recommendation at Industrial Scale：按业务资格信号设定碰撞 margin，提升冷启动 SID 可辨识度。

Authors did not disclose affiliation / large-scale e-commerce platform¶

2026-04 · UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute：先生成属性链再生成容量受限 SID，并以 RFT/DPO 对齐业务目标。

Taobao & Tmall Group / Alibaba¶

2026-03 · UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking：以 Entire-Space 数据和分层异构融合协同扩展搜索排序模型。
2026-03 · AIGQ: An End-to-End Hybrid Generative Architecture for E-commerce Query Recommendation：组合 Direct/Reasoning query 生成、IL-GRPO 与混合在线服务。

Alibaba International Digital Commerce¶

2026-03 · GateSID: Adaptive Gating for Semantic-Collaborative Alignment in Cold-Start Recommendation：用冷启动感知门控动态融合语义 SID 与协同行为信号。
2026-03 · SORT: A Systematically Optimized Ranking Transformer for Industrial-scale Recommenders：系统优化 token 化、注意力和 FFN，统一替代工业 DLRM 排序。

Alibaba Group / Renmin University¶

2026-02 · Generative Pseudo-Labeling for Pre-Ranking with LLMs：LLM 为未曝光候选生成伪标签，线上预排序器不增加 LLM 时延。

Alibaba Group / Tsinghua University¶

2026-02 · A Long-term Value Prediction Framework In Video Ranking：组合位置去偏、会话归因与作者周期任务建模长期价值。

Forth AI / Shopee / Singapore University of Technology and Design¶

2026-02 · RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems：用真实排序模型偏好指导潜在 query 的 SFT 与 DPO 对齐。

LinkedIn¶

2026-08 · From Prediction to Incrementality：估计处理增量而非 treated outcome，并在不确定度约束下执行固定预算 targeting。
2026-07 · TransX：分离可缓存行为流与在线服务流，以 cross-attention 避免逐请求重算长历史。
2026-05 · Policy-Grounded Dynamic Facet Suggestions：以离线 LLM taxonomy、在线关键词召回和策略约束排序生成动态职位搜索 facet。
2026-02 · An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking：用工业长序列推荐器重写 LinkedIn Feed 排序与服务链路。
2026-02 · CADET: Context-Conditioned Ads CTR Prediction With a Decoder-Only Transformer：以候选后上下文条件化的 Decoder-only Transformer 统一广告 CTR。

Tencent¶

2026-09 · ANGLE：以意图×摘要层次文本标识、三目标联合训练和动态约束 beam 实现一步广告检索。
2026-09 · ChronicleRec：用近密远疏合并、因果时间锚点和多 horizon alignment 把终身历史压成可缓存用户 token。
2026-09 · TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning：统一分层语义 ID 生成、列表排序和离线 reason token 注入，在一套框架中覆盖生成与推理。
2026-04 · RankUp: Towards High-rank Representations for Large Scale Advertising Recommender Systems：随机置换多 embedding、全局 token 和任务解耦共同提升表征有效秩。
2026-02 · RQ-GMM: Residual Quantized Gaussian Mixture Model for Multimodal Semantic Discretization in CTR Prediction：以残差高斯混合量化替代硬聚类，用概率语义 ID 增强多模态 CTR。
2026-02 · DiffuReason: Bridging Latent Reasoning and Generative Refinement for Sequential Recommendation：将 Thinking Tokens、扩散去噪和 GRPO 组成端到端序列推荐。

The Hong Kong Polytechnic University¶

2026-06 · Atomic Intent Reasoning：把跨域行为离线拆成可缓存的层级原子意图，再按目标商品检索并聚合意图链。

Huazhong University of Science and Technology¶

2026-06 · ToolRec：联合工具相关性、置信度校准和调用代价，减少大模型助手的无效工具推荐。

University of Warwick¶

2026-05 · Causal Representation Learning for Generalisable Recommendation：残差化环境混杂因素，学习跨环境更稳定的因果偏好表示。

Institute of Information Engineering, CAS / Kuaishou¶

2026-07 · Reward Guided Decoding：以 KL 正则闭式策略在不重训生成器时注入业务 reward。
2026-02 · SARM: LLM-Augmented Semantic Anchor for End-to-End Live-Streaming Ranking：离线 MLLM 生成语义 anchor，轻量非对称模块注入直播排序。

Apple¶

2026-07 · Apple Music ELISE：以多语言双塔、分位数校准和 dense/lexical 混合检索减少无结果查询。
2026-02 · Unifying Ranking and Generation in Query Auto-Completion via Retrieval-Augmented Generation and Multi-Objective Alignment：以 RAG、SFT 和 DPO 同时优化补全相关性、安全与 groundedness。

Shenzhen University¶

2026-08 · DrEM：用偏好保持筛选、翻转风险反演和一致性融合稳定噪声 pxtr 集成排序。

Snap Inc.¶

2026-08 · CAMIE: Co-Engagement-Aware Multimodal Item Embeddings for Snap Dynamic Product Ads Retrieval：用共同互动商品对训练对称多模态向量，使内容表征同时保留用户旅程中的行为相似性。
2026-08 · SetMIR: Multi-Interest Retrieval as Set Prediction：把多兴趣召回改写为集合预测，以 presence gate 和 query-level NMS 动态减少重复 ANN 请求。
2026-07 · SnapLGR：把共参与传播、分层 residual SID、token grounding 和 SID SFT 组成生成式召回流水线。
2026-07 · EGR：共享 LLM 联合编码 item 索引和 user query，并持续重叠训练 IRL/NIP。

University of Science and Technology of China¶

2026-07 · DIRECTOR：用 Sinkhorn transport 与全局匹配并行生成无重复动态索引 slate。

Technical University of Denmark¶

2026-07 · ZoRRO：零训练参数地融合时间衰减、内容相似和类别关系完成新闻个性化。

Shanghai Jiao Tong University¶

2026-04 · Modular Representation Compression: Adapting LLMs for Efficient and Effective Recommendations：从中间层抽取任务相关表征，显式解耦推荐适配与低维压缩。

Alibaba International Digital Commerce Group¶

2026-03 · RCLRec: Reverse Curriculum Learning for Modeling Sparse Conversions in Generative Recommendation：把转化相关行为逆序组成短课程，为稀疏转化增加中间监督。

Tongji University¶

2026-03 · TagLLM: A Fine-Grained Tag Generation Approach for Note Recommendation：用用户兴趣手册约束细粒度多模态标签，并把生成能力蒸馏到小模型。

Bilibili¶

2026-03 · Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds：在自回归重排中直接执行约束感知奖励剪枝。
2026-02 · Compress, Cross and Scale: Multi-Level Compression Cross Networks for Efficient Scaling in Recommender Systems：分层压缩并交叉低维特征，在受控计算量下扩大推荐网络容量。

Harbin Institute of Technology¶

2026-03 · Beyond the Flat Sequence: Hierarchical and Preference-Aware Generative Recommendations：以 session 层级预训练和偏好引导稀疏注意力建模长行为序列。

Beihang University¶

2026-02 · Awakening Dormant Users: Generative Recommendation with Counterfactual Functional Role Reasoning：通过功能角色和反事实转化路径寻找能激活休眠用户的桥接物品。

ByteDance AML¶

2026-02 · Compute Only Once: UG-Separation for Efficient Large Recommendation Models：拆分用户侧与通用计算，使大规模推荐模型复用只需计算一次的表示。

Beijing University of Posts and Telecommunications¶

2026-02 · PIT: A Dynamic Personalized Item Tokenizer for End-to-End Generative Recommendation：按用户动态组合 item token，使生成式推荐的语义 ID 同时表达个体偏好。

North Carolina State University¶

2026-01 · Zenith: Scaling up Ranking Models for Billion-scale Livestreaming Recommendation：以 Prime Token Fusion 和 Boost 扩展直播排序模型的深度与宽度。

Institute of Software, Chinese Academy of Sciences¶

2026-01 · Unleashing the Potential of Sparse Attention on Long-term Behaviors for CTR Prediction：组合全局、转移和局部稀疏注意力，建模千级长期行为序列。

Dream11¶

2026-01 · Hierarchical Contextual Uplift Bandits for Catalog Personalization：用层级上下文 uplift bandit 在目录个性化中学习增量收益。

Allegro.com¶

2026-09 · Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro：用 ComCat 互补类别图、类别约束双塔和 Category Adapter 过滤共购噪声。