#推荐系统

BBC iPlayer 数据上做的量子推荐系统，参数只有经典模型四百分之一还能打平，甚至真跑上了 Quantinuum 的量子硬件，做推荐或量子计算的都该看看。

推荐系统特征越加越多却不敢删，这篇论文给出了一套可落地的删特征流程，实测砍掉 43.3% 特征还降了成本，做推荐的同行可以看看。

做推荐系统的朋友可以看看这篇：RLCP 让推荐候选集大小随会话动态变化，在 KuaiRand-Pure 和 MovieLens 1M 上多样性最高到基线的 5.21 倍。

CM-PTM模型解决了移动设备用户行为建模的跨源挑战，能更好捕捉用户兴趣，提升游戏推荐效果。

eBay新模型让商品详情页更智能，高价值商品转化率提升0.58%，电商推荐系统值得参考。

Google 在 Google Discover 上部署了 SDF 系统，专门解决推荐内容变旧的问题。它用两个模型识别陈旧内容，让用户投诉下降了54.9%。

推荐系统工程师看过来，UniDot 把特征交互和序列建模统一了，还在 KDD Cup 拿了亚军，值得研究。

这篇论文用推荐系统思路解决传感器选择，抗干扰还提精度20%，做跟踪或边缘计算的朋友可以看看。

推荐系统训练时内存不够用？这篇论文告诉你该加批大小还是加负样本，结论很实用。

做推荐系统的可以看看，InforID 用固定预算自适应分配语义槽容量，比手动调 ID 结构更省事，准确率还更高。

这篇论文把推荐系统的分布外问题拆成环境识别和偏好建模两步，CILER 在三个数据集上十二项指标全涨，做法扎实，做推荐的朋友值得看看。

扎克伯格亲口说 Instagram 用你发的公开帖子训练推荐算法，还靠这个让会话量涨了 15%。

这篇论文提出CALMRec框架，通过分离记忆和因果校正解决推荐系统的反馈循环，在三个场景提升长期价值6-7%，做推荐系统的值得看看。

这篇论文提出了一种不用重训练就能实时更新用户嵌入的方法，用KP-tree存储偏好，在KuaiRec上只用1.8%数据就比ALS效果好，速度还快8倍。

如果你想用LLM做群体推荐，这篇论文给出了一个基于微调和动态策略选择的新方案，284人的实验验证比传统方法更让人满意。

NAILS不用重训练就能让推荐结果更符合公平、多样性的规范，而且几乎不牺牲用户参与度，很实用。

这篇论文提出了GR2，在工业重排序上拿下了18.7%的召回提升，还解决了LLM作弊奖励的问题，做推荐系统的可以看看。

OpenAI把GPT-5.5 Instant升级了，聊天更带劲，能猜准你心里想啥，推荐东西也更靠谱，免费党明天就能体验。

官方账号Greg Brockman@gdb11 个信源在谈原文

Deezer用LLM给每日推荐写标题，百万用户真用上了，参与度还涨了——不是PPT，是上线产品。

Airbnb搞了个JourneyFormer，专治搜索排序中又长又乱的用户序列，实测线上A/B测试效果很不错。

这篇论文告诉你：别盲目堆文本特征做推荐，协同过滤本身已经很强了，加文本未必有多大提升。