推荐系统

"Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models" 论文笔记美团精排 Scaling 的工作 SIF，目前挂在 Arxiv 26.04 上，提出了将历史序列 token 从 item-level 升级到 sample-level 的新思路，实现了更强的信息利用和模型效果

【论文阅读】Structured Spectral Reasoning for Frequency-Adaptive Multimodal Recommendation用于频率自适应多模态推荐的结构化谱推理虽然最近的工作探索了频域作为分离稳定信号和噪声信号的透镜，但大多数方法依赖于静态滤波或重新加权，缺乏对频谱结构进行推理或适应特定模态可靠性的能力。

"MixFormer: Co-Scaling Up Dense and Sequence in Industrial Recommenders" 论文笔记字节跳动精排 Scaling 的工作 Mixformer（和 HyFormer 算是同期工作吧），目前挂在 Arxiv 26.02 上，也是提出了一个新的架构实现更好的统一 Scaling

爱喝雪碧的可乐

2026 腾讯广告算法大赛优秀方案启示：行为条件化多模态自回归生成推荐摘要2026 腾讯广告算法大赛落下帷幕，获奖方案直击工业推荐系统最核心的痛点 ——94% 的曝光噪声淹没仅 2.5% 的高价值转化信号，通过 FiLM+Gated Fusion+Attention Biasing 三机制协同实现了不同行为语义的彻底解耦。

"HyFormer: Revisiting the Roles of Sequence Modeling and Feature Interaction in CTR Prediction" 论文笔记字节跳动在推荐精排领域的工作 HyFormer，发表于 SIGIR 2026，设计全新的针对性优化架构同时完成序列建模和特征交叉，而不是直接将 Transformer 拿来用，实现了更好的优化和 Scaling

"OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender" 论文笔记字节跳动在排序领域的工作 OneTrans，发表于 WWW 2026，用一个统一的 Transformer Backbone 完成序列建模和特征交互的开创性工作，支持了统一的 Ranking LLM 优化和 Scaling

“CREAD: A Classification-Restoration Framework with Error Adaptive Discretization for Watch Time Prediction in Video Recommender Systems” 论文笔记快手视频观时预测的工作 CREAD，发表于 AAAI 2024，深入分析了分桶策略，在理论上是一篇很棒的工作

“A Deep Probabilistic Model for Customer Lifetime Value Prediction” 论文笔记现有 LTV 预测工作主要分为两种：一种是直接基于 MSE 建模 LTV；一种是两阶段建模，先用BCE建模付费概率，然后用MSE建模付费金额，排除 LTV 为0的样本的影响

"Deconfounding Duration Bias in Watch-time Prediction for Video Recommendation" 论文笔记观看时长（watch time）是视频推荐中的重要指标之一，提升整体观看时长是视频推荐系统的主要目标。观看时长主要受两个因素的影响：用户是否对视频感兴趣、视频本身的时长（duration）

PyTorch实战（40）——使用PyTorch构建推荐系统推荐系统 (Recommendation System) 无处不在，例如抖音会推荐用户观看什么内容；Spotify 推荐用户听什么音乐；淘宝推荐用户购买哪些产品。推荐系统本质上是一种提供个性化建议的算法，其核心目标是通过分析用户偏好、行为模式、与其他用户的相似度以及与系统的互动记录，预测用户可能感兴趣的产品。当今大多数推荐系统都由深度学习模型驱动，这些模型通过分析当前用户及其他用户的现有消费模式，来预测用户对某产品(电影、书籍、播客、社交网络中的某人等)的喜好程度。在本节中，我们将使用 PyTorch

阿钱真强道

08 Python 数据分析：学生画像匹配与相似度计算适合人群：Python 初学者 / 数据分析入门 / 推荐系统基础学习者 / 教学案例分享在数据分析和机器学习中，我们经常会遇到这样的问题：

深入理解 Microservice Control Proxy(MCP) 的 AI 实战指南微服务控制代理（Microservice Control Proxy，简称 MCP）被公认为现代微服务架构中不可或缺的重要组件。作为一种先进的互联网技术，其核心功能是实现微服务之间的高效通信、动态路由、负载均衡和安全管理。

推荐系统分享系列-DIN(Deep Interest Network for Click-Through Rate Prediction)-注意力机制目录一、外积1. 传统注意力机制的局限性2. 外积的作用：显式建模特征交互为什么需要外积？3. DIN中如何使用外积？

推荐系统分享系列-DIN(Deep Interest Network for Click-Through Rate Prediction)（一）目录摘要关键术语说明1 介绍成本每次点击（CPC）广告系统中的CTR预测深度学习在CTR预测中的应用用户兴趣多样性的表达瓶颈

数据艺术家.

【论文笔记】On Generative Agents in Recommendation摘要翻译：推荐系统是当今信息传播的核心基础设施，但离线评估指标与线上真实效果之间长期存在显著鸿沟，严重制约了推荐系统的发展。针对这一问题，本文设想并构建了一种推荐系统模拟器，借助近年来大语言模型（LLM）在人类级智能方面的突破，尝试模拟真实用户行为。

推荐大模型系列-NoteLLM-2: Multimodal Large Representation Models for Recommendation（三）目录一、训练细节二、端到端MLRM细节三、Qwen-VL-Chat的显著性分数分析传统MLLMs与MLRMs的适配问题

俊哥大数据

【项目实战1】大数据项目开发案例---新闻资讯离线分析|实时分析|大数据仓库|推荐系统|数据可视化项目重要的事情说三遍：有简历修改、职业规划、技术咨询、论文代写、就业培训等需求的，可关注主页并私信我额！！！

推荐大模型系列-NoteLLM: A Retrievable Large Language Model for Note Recommendation（一）目录一、摘要二、介绍三、相关工作I2I 推荐技术概述内容驱动的I2I推荐大语言模型（LLMs）的应用潜力

推荐大模型系列-NoteLLM: A Retrievable Large Language Model for Note Recommendation（二）目录一、方法论1.1 NoteLLM框架1.2 笔记压缩提示编辑特殊令牌与占位符说明分类生成的具体内容定义

推荐大模型系列-NoteLLM: A Retrievable Large Language Model for Note Recommendation（三）目录一、实验1.1 数据集与实验设置1.2 离线性能评估1.3 不同曝光量笔记的效果1.4 消融实验1.5 CSFT模块中数据多样性的影响