按年月

同月论文保留在同一小节，但每篇独占一行，并附主要方法简介。

2026-09

• ANGLE：以层次文本标识、生成/判别/排序联合目标和动态约束 beam 完成一步广告检索。
• GESE：多样性/忠实度约束的标题探索与上下文选择。
• LazFormer：生成式预训练、排序残差适配与 hybrid sparse attention。
• ChronicleRec：把超长历史压成有时间顺序、可缓存、覆盖多个 horizon 的 Chronicle Tokens。
• MIMA：将同请求多正例排他分配给多个兴趣，并以 activation routing 校准跨兴趣召回分数。
• SIRF：将复杂平台规则内化为 trigger/exemption 交互表征，再在独立数据上选择满足 P95 的裁决阈值。
• UniRec：联合预排和精排融合，以跨阶段偏好对齐和组相对正则减少级联偏差。
• BAFF：按广告排名差和出价差过滤受 RTB A/B 对侧策略污染的训练日志。
• SequenceO1：把远期超长历史压成固定预算 sketch，并与近期行为分支融合。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。

2026-08

• 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。
• 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。
• 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。
• DCEO：以直接因果效应估计长期用户价值，并学习请求级多目标排序权重。
• TransRetrieval：用 target-token 压缩和多域归一化扩展 Transformer 工业召回。
• 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。
• 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。
• 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。
• 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。
• 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。
• DrEM：以风险修正和一致性融合提高噪声 pxtr 集成鲁棒性。
• 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。
• ConnectionMind：在 user-item-tag-social 异构图上以最短正路径 SFT、规则奖励 GRPO 和路径蒸馏执行多步可解释推荐。
• DREAM：把分层用户意图翻译为可校验的推荐策略参数，并以离线模拟和线上反馈双环更新策略记忆。
• From Prediction to Incrementality：用因果 uplift 和不确定度执行固定预算增量优化。
• 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。
• 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。
• Netflix GenRec：把用户历史和内容元数据文本化，以 causal LLM、全目录 ranking head、联合语言/排序目标和 reward weighting 做 prefill-only 精排。
• 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。
• TM20K：教师全 token、学生合并 token 的长序列蒸馏。
• Gryphon-v2：Yandex 用共享 encoder 串联 SID 生成与 item-level ranking，并从当前 rollout 和真实曝光双路蒸馏高容量 teacher。
• DEGR：京东把 cohort 多样性约束与 reward-adaptive ORPO 加入生成式重排，再以多样性 greedy selection 输出列表。
• Twitch Multi-Objective Ranking：以 fresh/delayed 双目标、生命周期 gate 与共享专家联合优化直播推荐，兼顾即时互动和延迟价值。
• LLM Thompson Priors：让 LLM 为冷启动评论提供分群 Beta 先验，再由 Thompson Sampling 持续用真实反馈校正探索策略。
• DME：抖音以 typed latent evidence 与 cross-conditional reconstruction 在保持向量召回效率的同时补足细粒度多模态语义。
• KGD：把可刷新预训练知识与下游几何结构解耦，通过 BMTP 与正交约束降低流式推荐迁移时的表示冲突。
• SPEAR：得物以双 embedding、乘法改写门和 request-specific selector 消除通用词改写捷径。
• STEPS：把推送执行与下一次唤醒规划成自触发 Agent 闭环，并用轻量 filter 控制开销和异常行为。
• HRPO：按 Semantic ID 层级分配残差 credit-to-go，使生成式推荐的组相对策略优化能感知前缀质量和后续回报。

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。
• 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。
• TransX：行为/服务双流交叉与可缓存长序列编码。
• CCFormer：腾讯以字段分离的 ID/content 表征、门控融合和分层历史压缩，同时降低超长行为序列开销并增强内容泛化。
• 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。
• HA-MoE：Google Discover 依据 session 内容异构性动态路由多个专长 expert，统一排序开放网页内容。
• Open Web UFM：Teads 在开放网页行为上用双裁剪对比学习与 next-item 目标预训练共享用户编码器，再迁移到广告排序。
• ROCS：Meta 将请求侧特征只编码一次，把候选相关交互延后到批量评分阶段，以统一服务检索和排序并提升 QPS。
• SnapLGR：共参与监督的 residual SID 与 LLM 生成召回。
• ASARL：以 ReasonAgent、CriticAgent、GenAgent 闭环整理 QQ 社交搜索数据，再经 SCT、PGO 和 Social Distillation 服务在线模型。
• ClockRoPE：以随机 Fourier 旋转近似日/周周期注意力 prior，并与标准 RoPE 组合建模 routine。
• DIRECTOR：运输优化动态索引与并行全局匹配。
• OneShot：把 ranking-shaped 层级索引、全局路径平衡和 neural scoring 统一进端到端工业检索模型。
• PSG：pair-space 半长度生成式重排。
• RecoReward：用冻结推荐双塔的目标/非目标亲和力差训练内容描述，并保持线上 content-only serving。
• Reward Guided Decoding：KL 正则 reward 引导解码。
• SWAG：用 masked future plan、七日滑窗目标和逐步 gate 优化跨 episode 自动出价。
• TWICE：分离点击和转化时钟，以 current-status likelihood 和单调 delay CDF 学习长期 CVR。
• CORE：美团把 High/Mid/Low 相关性拆成条件二分类，用逐 step GRPO 优化 reasoning，再通过 PostCoT 蒸馏到低延迟双头模型。
• 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。
• Mosaic：Meta 将 memorization、dense、sequential 与 CoTrain 用户表征组织成 specialist fleet，并以 MRM 和 cosine redundancy loss 挖掘增量信息。
• OxygenREC-v2：把目标行为写入生成 decoder prefix，并用未来交互 privileged teacher 和熵路由蒸馏内化判别能力。
• SpecFormer：谱软化 attention 与谱残差位置编码缓解推荐 Transformer 表征坍缩。
• UniR²：快手用 Dual-Query Prefix-Causal Attention 在同一 decoder 序列内统一层级 SID 生成和多目标排序，并以 ranking-only LoRA 隔离梯度。
• Dual-purpose Semantic IDs：YouTube 用同一分层 SID 表达协同身份，并以 Semantic Decoder 恢复内容语义表示。
• Melo：以多节点音乐 Agent、实体目录 grounding 和反思重试生成可靠 playlist。
• YouTube Freshness：组合 recency、IPS、可移除 bias tower 与不确定性探索打破新内容反馈环。
• EGR：共享 LLM 联合学习 item 索引和 user query 向量。
• BARGE：用 ICA 恢复 item token 结构、HPR 重排累计语义路径，再以 OSQ 正交双通道和 OR-fusion 补充可达候选。
• PinEqualizer：在 Pinterest 全漏斗维护 fresh exploration corpus，并以 engagement dropout、内容交叉、分 cohort calibration 和 UCB 减少旧内容偏置。
• PinDCO：以创意组件专塔、相对广告分数的增量融合和整页像素惩罚完成动态创意选择。
• TSGR：把 residual semantic prefix 与并行全局/query 价值码结合，再由联合 VRM 完成价值感知生成召回。
• RAMP：显式训练个性化和公共字段双路径，用 feature mask 与 prediction alignment 适配隐私受限流量。
• Pin-SCALE：Pinterest 用 engagement-aware Semantic ID、级联 pooling 与多视角对比学习接入 dense retrieval。
• UAME：联合预测满意度均值和不确定性，以概率 pairwise loss 和冲突加权缓解多目标标签偏差。
• WHALE：逐层交换 Wukong 特征交互分支与 HSTU 行为序列分支，构成统一可扩展排序模型。
• RECAP：维护固定容量流式语义画像，并把历史推荐反馈训练成 GRPO reward，形成画像优化闭环。
• RecGPT-V3：用可演化 Memory Hub、文本/SID 混合基础模型和可重建 latent reasoning 同时改进长期用户理解、商品 grounding 与推理效率。
• 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。
• 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。
• Downstream Rewards：筛选与未来参与度相关的 session reward，并通过模型无关 reward heads 接入多个推荐 surface。
• Long-History User Transformers：离线编码完整历史并缓存固定状态，在线仅融合近期行为以控制广告排序延迟。
• TMallGS：以 field-wise QKV、噪声门控、FiLM 和逐层误差监督统一电商搜索异构字段。
• Causal Retrieval：Pinterest 用 doubly-robust uplift 判断是否触发 shopping candidate generator。
• DANet：融合兴趣建模、折扣时频分解与个性化折扣偏好预测 CVR。
• MESH：用异构模块塔和 residual gated bias correction 保护 fresh 内容的缩放收益。
• NONTP：通过 TCL 感知多步未来轨迹，并以 TDL 为跨域目标增加共享预测头的第二条梯度路径。
• Proximity Features：自适应聚合地理群体行为，为匿名用户提供不依赖持久 ID 的冷启动信号。
• SAM：学习购买后兴趣退出及恢复节奏，在注意力层抑制重复推荐。
• SlimPer：通过固定知识库的 Select–Match–Refine 循环替代全序列逐层传播，降低长历史排序的计算和中间状态。
• 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。
• 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。
• ZoRRO：零权重新闻推荐融合 recency、语义和类别关系。
• Apple Music ELISE：多语言 dense retrieval 与词法索引的分位数校准融合。
• 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

• 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。
• POEM：由实时多目标排序信号动态构造偏序兴趣序列。
• NEXT：以 VLM 推理 next intent、检索并验证 directed video edges，再通过离线 NKG 支持低延迟在线注入。
• 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。
• NOVA：以 architecture gradient 汇总验证和指标反馈，并通过四级级联阻断静默错误架构。
• UniFormer：统一扩展特征 token、行为序列与多任务交互。
• Recommendation as Generation：用解耦语义 ID 连接生成式推荐和个性化视频生成。
• TokenMinds：共享序列 encoder，同时输出稠密用户向量和分层 SID 用户 token，再以可学习 token embedding 注入生产排序模型。
• 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。
• 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。
• RankGraph-2：对图边去热门偏置，离线预计算多跳 PPR，再以 cluster index 服务召回。
• EvoRec：让 Research/Code Agent 迭代模型，Skill Evolver 从持久 Memory 中提炼优化方法。
• OneRank：原生统一 Transformer 多任务排序与任务私有通道。
• PIANO：查询驱动兴趣精炼和信息聚合节点的音乐 listwise 重排。
• Atomic Intent Reasoning：将跨域行为拆成层级原子意图，离线缓存后按目标候选检索并聚合意图链。
• 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。
• SSRLive：静态/动态 Semantic ID 配合用户—直播间交叉模块，统一内容身份与实时状态。
• Taiji：在语义匹配与协同信号之间自适应选择 Pareto 工作点。

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。
• 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。
• Pinterest Ads LLM：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。
• Causal Representation Learning for Generalisable Recommendation：残差化环境混杂因素，保留跨环境稳定的因果偏好。
• 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。
• MuChator：从多轮对话发现显式和潜在意图，并结合会话反馈选择候选。
• Stochastic Primal-Dual Decoding：解码时逐步更新约束乘子，在相关性与用户满意度约束之间校正。
• DeGRe：将离线 lookahead evaluator 的列表价值蒸馏成在线 dense 生成监督。
• 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。
• AKT-Rec：用 LLM Semantic ID 构造语义簇，以非对称对比学习和活动度门控把头部知识迁移到长尾。
• HARNESS-LM：以 teacher、L2 对齐和对比精修三阶段训练轻量非对称检索器。
• 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。
• 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。
• 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。
• FLUID：将直播多模态切片离散为 slice/room LUCID，以独立 prefix token 晚融合并逐阶段退掉候选 item ID。
• 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。
• 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。
• 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。
• GrowthGR：用 ItemLTV 与多价值 MoPO 引导生成式召回发现高潜新品。
• Policy-Grounded Dynamic Facet Suggestions：以离线 taxonomy、在线召回和策略约束排序生成动态搜索 facet。
• CQ-SID：用类目约束残差 Semantic ID 与 expert-guided GRPO 优化天猫搜索生成式检索。
• 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。
• 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。
• 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。
• PA-Bridge：对齐主动搜索和被动推荐的表征分布，桥接两类用户表达信号。
• 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。
• RecGPT-Mobile：将 LoRA+INT8 小模型部署到端侧，通过预算约束 prompt 和 entropy/Jaccard/JS 漂移分数按需生成用户意图。
• 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。
• 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。

2026-04

• GloRank：在全局 SID 空间用 listwise SFT 与 RL 优化全库生成重排。
• 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。
• AgenticRecTune：Google Discover 以多 Agent 和自进化 SkillHub 自动提出、审查、执行并沉淀推荐配置实验。
• CS3：以循环自修正、跨塔同步和级联教师增强可在线部署的双塔召回。
• 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。
• 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。
• GenRec：用 page-wise NTP、非对称 Token Merger 和带 NLL 正则的 GRPO-SR 优化整页结果。
• HILL：用跨层 residual quantization 学习 coarse-to-fine 检索索引，减少候选打分量。
• 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。
• SOLARIS：预测未来 user-item pair，异步预计算并缓存 foundation-model latent，在线命中直接消费。
• 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。
• Dual-Rerank：蒸馏 AR 顺序知识到 NAR 并行重排器并显式优化效用/延迟。
• MBGR：以 business-aware SID、共享专家和动态标签路由统一多个业务域的生成式推荐。

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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• GLIDE：用 residual Semantic ID 自回归生成候选，并同时注入近期历史和长期用户 prompt。
• 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。
• HAP：按候选异质性动态路由不同计算量的预排模型。
• 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。
• OneRanker：用统一 token 空间联合生成和 value-aware 广告排序。
• PinCLIP：把 VLM 图文对齐与 Pin-Board 共现邻居目标结合，改善 fresh 内容表征。
• IDProxy：把多模态内容表征先对齐到 item-ID 协同空间，再经多层 proxy 与 gate 接入排序。
• 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。

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。
• GRC：让生成式推荐器结构化地反思首错位置和语义属性，再纠正 SID 轨迹。
• 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。
• 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。
• 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。
• HiSAC：用层级投票把超长历史压缩为少量兴趣 agent，再做 query-conditioned soft routing。
• 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。
• ULTRA-HSTU：Meta 用 semi-local attention、LBSL 和 Mixture of Transducers 提升超长历史的训练与推理 scaling efficiency。
• MFLI：Meta 将多切面 index 与 item 表示联合学习，并按请求动态分配 facet 召回预算。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• Kunlun：Meta 在逐层 Transformer/Interaction 双 block 中组合 GDPA、HSP、全局交互与 CompSkip。
• 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。
• 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。
• 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。
• 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。
• 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。
• MDL：把 feature、scenario 和 task 统一 token 化，以 domain-feature attention 支持多分布推荐。
• MSN：用 Product-Key Memory 增加容量，只读取 top-k 槽位并门控融合 dense 主干。
• TokenMixer-Large：以 token mixing/reverting、head/token SwiGLU、间隔残差和辅助监督扩展排序模型。
• DOS：用协同/语义双流和正交 residual quantization 训练生成推荐 Semantic ID。
• 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。

2026-01

• OneMall：以场景 prompt、层级 Semantic ID 和跨行为融合统一多个电商推荐场景。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• 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。
• Podcast MTL：共享广告、推广与 organic stream 表征，改善 podcast 冷启动。

2025-12

• HiGR：联合 residual Semantic ID、粗到细 slate decoder 与 ORPO 列表偏好对齐。
• 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。
• RecGPT-V2：把用户意图推理组织成层级 multi-agent 协作，并以 meta-prompt、压缩表示和约束偏好 RL 优化标签与解释。
• 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。

2025-11

• DualGR：长短兴趣双路由、约束 SID 和曝光感知生成召回。

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。
• CRSD：用领域 reasoning teacher 和普通/推理双视图对比自蒸馏训练轻量在线学生。
• PLUM：对 LLM 进行推荐语料 CPT 与 SFT，并以 Semantic ID 生成物品序列。

2025-09

• IntSR：显式/隐式意图和时间词表统一搜索与推荐生成。
• OnePiece：上下文工程、块级 latent reasoning 和级联多任务排序。
• 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。

2025-08

• MPFormer：任务条件化序列检索和资源自适应共享。
• 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。
• 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。

2025-07

• 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。
• 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。
• Click A, Buy B：显式区分点击 A 后购买 A/B 的归因路径，并用 taxonomy-aware weighting 共享跨物品信号。
• 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。
• 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

• MGOE：从任务统计构建 Macro Task Merging Graph，在 graph experts 中传播关系后分别预测各目标。
• 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。
• RADAR：延迟异步全库排序结果回流下一请求召回。
• 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。

2025-05

• SORT-Gen：用 ordered-regression Transformer 预测多目标前缀价值，再以多目标队列、mask-driven selection 和 MMR 生成 slate。
• 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。
• 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。

2025-04

• 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。

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。

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。
• FilterLLM：将新品文本直接生成为用户分布，并用行为信号校准十亿级冷启动召回。
• FilterLLM：把新品文本映射到用户词表分布，并用历史行为约束冷启动召回。
• 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。
• 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。
• 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。
• FuXi-α：以自适应多通道注意力和分阶段 FFN 扩展推荐特征交互容量。
• FuXi-α：用多通道注意力和 multi-stage FFN 扩展特征交互模型容量。
• MIM：以多模态遮盖预训练、内容兴趣 SFT 与 CiUBM 把内容语义注入用户行为建模。
• MIM：以遮盖多模态预训练和内容兴趣 SFT 对齐内容/协同空间，再由 CiUBM 融合排序。

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。

2025-01

• AdaF²M²：用 feature-mask multi-forward 学习全面特征，再由 state-aware adapter 响应不同用户/物品状态。

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。
• 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。

2024-07

• TWIN-V2：离线压缩生命周期行为，在线以 GSU/ESU 完成候选相关粗搜与精确建模。

2024-06

• CDM：将上下文多样性教师蒸馏到低延迟混排学生。
• CWM：以反事实 watch time 消除视频时长偏置。

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

• 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。
• 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。
• 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。

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。

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。

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。

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。

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。

2020-09

• PLE：把专家拆成共享组与任务专属组，并由 CGC gate 渐进抽取共性和个性信息。

2020-08

• DCN-V2：用低秩 cross experts 和 gate 显式学习高阶特征交互。

2020-06

• SIM：先按候选搜索超长历史中的相关行为，再以精确搜索单元汇聚兴趣。

2019-05

• BST：用候选参与的 Transformer 建模电商用户行为序列。

2018-09

• DIEN：以辅助监督 GRU 抽取兴趣，再让候选相关门控控制兴趣演化。

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。
• MMoE：让每个任务用独立 gate 组合共享 experts，缓解任务相关性变化造成的负迁移。

2018-04

• ESMM：在全曝光空间联合学习 CTR 与 CTCVR，并用概率乘积分解缓解 CVR 样本选择偏差。

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。

2017-03

• DeepFM：让 FM 二阶交互与深层网络共享 field embedding，端到端学习低阶和高阶组合。

2016-09

• YouTube DNN：聚合观看历史并用非线性用户塔生成向量，再通过 item embedding 近邻召回候选。

2016-06

• Wide & Deep：联合记忆型 wide 交叉和泛化型 deep tower，是工业深度推荐的经典起点。