搜广推与 LLM 应用

本研究域面向互联网公司的推荐、搜索、广告及其与 LLM 的结合应用。新工业论文必须 提供量化线上 A/B，或用户明确认可的全流量/生产部署证据；经典基线只保留具名例外。

子领域

阶段 / 方向	覆盖内容	代表方法
召回	双塔、图召回、Semantic ID、生成式召回	YouTube DNN、TIGER、OneRec、PinRec
粗排与精排	特征交互、序列兴趣、多任务、长序列	DIN、DIEN、RankMixer、HyFormer、HSTU
重排与混排	列表价值、多目标约束、来源配额、长期价值	SORT-Gen、Memento、DeGRe、DRL-PUT
内容理解	文本/图像/视频表征、内容与协同对齐、冷启动	MM-LLM、PinCLIP、MIM、PRECISE
审核与风险控制	相关性质量、数据审核、隐私、异常与策略约束	CORE、ASARL、RAMP、Proximity Features
广告与商业决策	CVR、延迟反馈、出价、价值感知生成	ESMM、TWICE、SWAG、UniVA

浏览与评测

• 方法索引
• 按公司浏览
• 按主题浏览
• 按年月浏览
• 论文谱系与缺口
• 统一评测协议
• 统一 adapter 与实验总表

“审核与风险控制”当前主要覆盖相关性、训练数据质量、隐私受限特征和策略约束，尚未 把内容安全、作弊/欺诈检测或广告合规写成“已覆盖”。这些方向后续仍执行真实生产证据 门槛，并需额外报告 precision/recall、误杀率和业务 guardrail。