LLM 加速与效率优化成为核心议题：今日多篇论文聚焦 LLM 在推荐系统中的推理效率问题。从生成式推荐的推测解码加速（PAD-Rec），到多向量检索的聚类与索引优化（TACHIOM），再到属性图构建中的 token 节省（Amazon），工业界和学术界都在积极探索如何在不牺牲效果的前提下，让 LLM 推荐系统跑得更快、更省。; 多智能体与自动化系统配置优化兴起：以 ByteDance 的 AgenticRecTune 为代表，利用 LLM 驱动的多智能体框架自动探索和优化推荐系统的全链路配置（预

LLM Agent 与推荐系统的深度融合：今日多篇论文（LinkedIn HLTM、ReaLM-Retrieve、FLR、ProMax）聚焦于如何利用LLM增强推荐系统。趋势从简单的“LLM生成文本”转向构建复杂的“推理-记忆-检索”框架，例如层次化语义记忆、自适应检索时机、多因子潜在推理等，旨在提升个性化、可解释性和推理能力。; 动态建模与多模态的精细化：推荐系统正从静态图或粗粒度时序建模，转向更精细的动态建模。TimeMM 通过时间谱滤波捕捉用户兴趣的非平稳演化，并区分视觉与文本模态的时序敏

生成式推荐全面渗透重排与召回：今日多篇论文（GloRank、RecoChain）将推荐问题从传统的“索引选择”或“向量检索”范式，转向基于语义ID的“Token生成”范式。这标志着生成式推荐正从单一的召回/排序模块，向统一全链路的架构演进，有望从根本上改变推荐系统的设计哲学。; 工业界聚焦训练基础设施效率革命：Meta的论文揭示了超长用户序列训练中“数据冗余”这一被忽视的瓶颈，并提出“延迟物化”范式。这表明当模型架构（如HSTU）接近天花板时，数据基础设施的优化成为提升模型效果的关键杠杆，是工业

生成式推荐进入精细化阶段：今日多篇论文（Pro-GEO, AdaSID, BITRec）聚焦于生成式推荐的核心表示——语义ID（SID）的优化。从单纯追求紧凑性，转向解决地理约束、多模态碰撞、行为强度差异等实际问题，标志着生成式推荐正从概念验证走向工业级精细化落地。; 系统与安全成为推荐算法新战场：随着模型复杂度提升，工业界开始关注推理效率（MTServe的层次化缓存）和分布式训练（FreeScale的计算气泡消除）。同时，LLM推荐系统的安全漏洞（PUDA攻击框架）也首次被系统性研究，提示算法

[生成式推荐与强化学习的深度融合]：今日多篇论文聚焦于如何更高效地训练生成式推荐模型。华为的ReCast和Meta的Objective Shaping分别从学习信号构造和优化目标对齐两个角度，揭示了RL在生成式推荐中的核心瓶颈与解决方案，并都取得了显著的线上或离线性能提升。这表明，RL+LLM推荐正从“能用”走向“好用”，精细化训练信号设计成为关键。; [检索与重排的端到端统一]：Alibaba的ResRank和Layer 6 AI的UAE都致力于打破检索与重排的边界。ResRank通过残差压缩

[生成式与扩散模型进入推荐核心]：今日多篇论文探索了生成式范式在推荐系统中的应用，包括将扩散模型用于Learning to Rank（DenoiseRank）、以及利用语义ID（SemanticID）进行生成式推荐。这标志着推荐系统正从传统的判别式模型向生成式模型演进，但多数工作仍处于学术探索阶段，工业落地尚需验证。; [长序列与复杂用户行为建模成为焦点]：针对用户行为序列中的兴趣漂移（Session Hopping）和噪声问题，出现了主题感知MoE（MoS）和小波包引导图增强（WPGRec）等

LLM 增强推荐进入深水区：从“堆特征”到“解优化”：今日两篇论文（TF-LLMER 和可治理个性化观点文）表明，业界不再满足于简单地将 LLM 特征注入推荐模型。研究焦点已转向 LLM 表示与推荐骨干网络之间的优化冲突（如范数差异、角度聚类不匹配）以及用户表征的可治理性（透明、可移植、可控制）。这预示着 LLM-for-Rec 正从“工程堆叠”阶段迈向“理论分析与系统设计”阶段。; 检索评估与加速迎来新范式：从“精确匹配”到“语义感知”：Google 提出的 Semantic Recall 和

双塔模型能力增强与效率平衡：工业界正致力于在保持双塔模型高效性的前提下，通过引入自适应特征去噪、跨塔同步、知识蒸馏等机制，系统性增强其表征能力和对齐效果，以弥合召回阶段的性能鸿沟。; LLM作为语义增强器融入推荐全链路：LLM的角色正从独立的推荐器演变为强大的语义增强组件，被用于生成训练数据、验证先验知识、辅助重排以及理解复杂指令，以提升模型的语义理解和泛化能力。; 🔬 学术界聚焦模型可解释性与评估标准化：学术界的研究热点正从单纯追求性能提升，转向对模型内部机制（如反事实解释）的深入理解，并致

LLM驱动的推荐系统优化：今日多篇论文聚焦于如何更高效、更鲁棒地将LLM集成到推荐系统中。核心挑战包括：如何压缩高维LLM表示以降低工业部署成本（MARC）、如何利用LLM推理解决稀疏文本场景的冷启动问题（LLMAR）、以及如何通过多LLM集成或注意力空间优化来稳定提升推荐效果（MLTFR, HeadRank）。这表明LLM在推荐中的应用正从“是否可用”转向“如何用好”的精细化阶段。; 表示学习与模型鲁棒性：无论是传统精排模型还是LLM基模型，其表示能力（Representation Capac

工业界范式理论化：今日论文显示，工业界正从单纯追求模型性能，转向为已广泛部署的范式（如生成式推荐、统一大模型）建立坚实的理论基础。快手论文证明了自回归预测与全物品最大似然估计的等价性，为系统优化提供了原则性指导。; 从静态到自适应推理：针对用户行为异质性的“一刀切”策略正被淘汰。学术界研究开始聚焦于自适应推理技术，例如通过强化学习为每个用户序列动态选择最优的数据增强策略，以在不重训练模型的前提下提升推理精度和效率。; 特征与表示的深度解耦与融合：无论是工业界将原始样本编码为同质化序列token，

📭 今日无更新：今日未收录新的精选论文，暂无法进行趋势分析。

今日无新论文收录。