企业官网建设流程全解析

taac record

Transformer和Scaling Laws的框架下逐渐合流？
这篇文章试着用一条相对清晰的线，把这个问题讲明白。

一、先说结论：推荐系统正在从“打分排序”走向“序列生成”

传统推荐系统的主流程，是工业界非常熟悉的多阶段级联架构：

先从海量物品中召回几千个候选，再粗排到几百个，再精排到几十个，最后经过重排、多样性、规则策略等模块，生成用户真正看到的列表

这个流程非常强大，也非常工程化。它最大的优点是稳定、可控、延迟低、容易拆分优化。

每个阶段都有明确职责：
召回负责覆盖，粗排负责效率，精排负责精准，重排负责业务约束和体验。但它也有天然问题。

第一，阶段之间会有信息损失。召回阶段没拿到的物品，后面模型再强也排不出来。

第二，不同模块各自优化，目标并不完全一致。召回看Recall，粗排看 AUC，精排看 CTR/CVR，重排还要看多样性和策略规则，最终用户体验其实是这些局部目标拼起来的结果

第三，模型规模继续变大时，传统判别式模型很容易遇到瓶颈。尤其是推荐系统里有大量稀疏 ID 特征，用户、物品、场景都在变化，参数一大就容易过拟合，不像 LLM 那样“越大越强”的规律那么自然。

生成式推荐想做的事情更激进：能不能用一个模型直接理解用户行为序列，然后生成推荐结果？也就是说，把推荐系统从“多阶段候选集打分”改造成“端到端序列生成”

这听起来很像 LLM。语言模型给定上文生成下一个 token，生成式推荐给定用户历史行为生成下一个 item。一个续写文字，一个续写兴趣。

所以很多人说，推荐系统正在迎来自己的“ChatGPT 时刻”。

llm4rec 论文list

• OneRec Technical Report
• OneRec-V2 Technical Report
• OneRec: Unifying Retrieve and Rank with Generative Recommender and Preference Alignment
• OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search
• QARM: Quantitative Alignment Multi-Modal Recommendation at Kuaishou
• RankMixer: Scaling Up Ranking Models in Industrial Recommenders
• Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling
• OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender
• MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
• EGA-V2: An End-to-end Generative Framework for Industrial Advertising
• UniROM-One Model to Rank Them All: Unifying Online Advertising with End-to-End Learning
• SortGen-A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
• RecGPT: A Foundation Model for Sequential Recommendation
• COBRA-Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations
• Towards Large-scale Generative Ranking
• Google TIGER-Recommender Systems with Generative Retrieval
• Google Better Generalization with Semantic IDS: A Case Study in Ranking for Recommendations
• Meta HSTU-Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations
  Snap GRID-Generative Recommendation with Semantic IDs: A Practitioner’s Handbook