搜索推荐算法技术交流

62成员

0/1000

全部

论文分享

精华

idea讨论

闲聊八卦

FORGE: 阿里的工业级语义ID生成式召回
生成式检索（GR）通过端到端生成物品语义ID实现推荐，语义ID（SID）相比传统单 token ID，可实现相似物品知识共享、压缩百亿级物品的ID空间（3 级 ×8192 码本可表示＞10¹⁰物品），是 GR 的核心环节。但已有的方案存在三大挑战： 挑战 1：数据集局限。现有公共数据集（如 MovieLens、TenRec）规模小（≤142M 交互）、多模态特征缺失，且基于单 token ID，无法支撑工业级 SID 研究。
腾讯频道 - 搜索推荐算法技术交流 - FORGE: 阿里的工业级语义ID生成式召回
评论
评论
TensorFlow已经被PyTorch取代了吗？今日，一张TensorFlow社区活跃度的趋势图，引发了AI圈的广泛关注。十年的时间，TensorFlow的社区活跃度，在2020年左右到达巅峰，但后来却不可逆转地一路下跌至最低谷，甚至还不及出道之时。而与之形成鲜明对比的，却是另一条高歌猛进的红色曲线:PyTorch。在AI时代，技术社区的更迭明显加速，TensorFlow这个昔日的"小甜甜"已变成"牛夫人"，AI从业圈的小伙伴们，你还在使用TensorFlow吗？
腾讯频道 - 搜索推荐算法技术交流 - TensorFlow已经被PyTorch取代了吗？...
腾讯频道 - 搜索推荐算法技术交流 - TensorFlow已经被PyTorch取代了吗？...
评论
Google利用预训练用户编码器使LLM根据用户历史生成个性化响应
现有大语言模型在个性化 AI 领域潜力巨大，但将用户历史转化为长文本描述会导致高计算成本和信息丢失，难以高效实现个性化。为此，论文提出User-LLM 框架，将用户时间线视为独立模态，通过预训练的ID-based 用户编码器（自回归 Transformer） 从用户交互数据中生成捕捉潜在行为与兴趣的用户嵌入，再借助交叉注意力（cross attention）将其与 LLM 整合，为 LLM 高效个性化提供新方案。
腾讯频道 - 搜索推荐算法技术交流 - Google利用预训练用户编码器使LLM根据用户历...
评论
DMQN：美团通过码本压缩长行为序列，提升兴趣表示的精准度
已有的长序列建模方案，一种是从序列中检索top K个相关物品，和target做attention，比如SIM、ETA等；另一种是两阶段建模，先聚类提取序列的兴趣兴趣向量，再用聚类的兴趣向量和target交互，比如TWIN V2、ENCODE等。这些方案提取的序列表征与完整长序列的相关性分布存在差异，导致兴趣估计存在偏差和不完整。 论文提出了DMQN，通过多个codebook，端到端处理整个序列，将长序列压缩为一个短的cluster序列，分为“压缩 - 交互 - 目标注意力 - 缓存” 四个步骤。
腾讯频道 - 搜索推荐算法技术交流 - DMQN：美团通过码本压缩长行为序列，提升兴趣表示...
评论
2025年9月6日，阿里巴巴正式发布万亿参数大模型Qwen3-Max-Preview。参数量超1万亿，支持262K上下文长度，在数学推理（AIME25得分80.6）、编程（LiveCodeBench V6得分57.5）、复杂问题解决（Arena-Hard V2得分86.1）等多项基准测试中领先Claude Opus 4、DeepSeek V3.1等模型。阿里云、通义app等平台可以体验。实际测试反馈显示模型在对话流畅度、知识覆盖广度、工具调用能力（如API价格对比分析）等方面显著优化，但部分场景存在指令遗漏问题（如多步骤任务仅输出最终结果）。
腾讯频道 - 搜索推荐算法技术交流 - 2025年9月6日，阿里巴巴正式发布万亿参数大模型...
腾讯频道 - 搜索推荐算法技术交流 - 2025年9月6日，阿里巴巴正式发布万亿参数大模型...
评论
EasyRec: 简单高效的文本/语言推荐系统
回顾上期介绍，LLM as the Knowledge Enhancer可以分为以下两大类1、LLM for Representation Enhancement2、LLM for Relation Augmentation 本篇内容介绍一下这里的第一篇文献，用作表征增强的【EasyRec】，作者单位为香港大学，通讯为黄超，之前也读过几篇他们组的文章，印象不错。包括这篇文章的实验也比较充分，代码开源写的也比较完整。
腾讯频道 - 搜索推荐算法技术交流 - EasyRec: 简单高效的文本/语言推荐系统
1
回顾超长行为序列建模：ETA
ETA是阿里2021年发表的长序列建模的成果，可以认为是基于SIM的改进。基本思路还是从用户的长序列行为中检索top K个和target最相关的物品。然后做更细致的multi-head attention，进一步提取细粒度的特征。SIM有hard- search和soft-search两种检索方法，其中soft-search更优，但是性能比较差。ETA使用SimHash优化了向量相似检索的性能。同时，向量也可以端到端训练。
腾讯频道 - 搜索推荐算法技术交流 - 回顾超长行为序列建模：ETA
评论
回顾超长行为序列建模：SIM
SIM是阿里妈妈于2020年提出的超长行为序列建模方案。是长序列建模的经典之作。基本思想就是用target对用户的长序列行为进行检索，找到top K相似行为的item，做下一步精细化的特征提取（multi-head attention）。检索方式分为hard-search和soft-search。 如公式（1），hard-search直接从长序列中筛选和target类别相同的item。soft-search采用向量近邻检索从长序列中选取top k个item。虽然soft-search评估的效果更好，但是出于serving性能考虑，在线还是采用了hard-search。两者效果相差并不大。
腾讯频道 - 搜索推荐算法技术交流 - 回顾超长行为序列建模：SIM
评论
快手OneRec v2报告解读
v2相比于v1改动还是挺大的，可以说是全新的算法框架。最主要两点：惰性解码器架构（Lazy Decoder-Only Architecture），真实用户反馈偏好对齐（Preference Alignment with Real-World User Interactions）。我们分别介绍。 回顾一下v1的encoder-decoder架构，如下图。encoder和decoder都有fully visible attention操作。
腾讯频道 - 搜索推荐算法技术交流 - 快手OneRec v2报告解读
2

公告

暂无公告

直播

暂无直播