#Cross-Domain

5 篇

IDs That Mean Something: A Hands-On Tutorial on Semantic IDs for Recommender Systems

有意义的ID：推荐系统语义ID实操教程

🧭 语义ID与生成式推荐 ★ 深度解读

Huawei Ireland Research Center · University College Dublin

系统梳理从原始ID到语义ID的演进，覆盖生成式与判别式应用并提供可动手的实践教程

📌 工作参考价值（4 点）

用语义 ID 替代原始整数 ID，通过 RQ-KMeans/RQ-VAE 把商品内容量化成离散 token 序列，可直接作为生成式推荐的解码目标，大幅压缩 item embedding 表，缓解 embedding 爆炸和冷启动。
在判别式排序模型中加入语义 ID 作为结构化输入特征，可提升冷启动泛化和 embedding 稳定性；Google YouTube ranking、Kuaishou、Meta 已有工业部署验证。
多模态商品内容融合采用 early fusion 或 late fusion，需注意模态冗余；同时把协同信号通过量化、微调或对比学习注入语义 ID，平衡“语义有意义”和“推荐可感知”。
跨域推荐无需显式源-目标对齐，共享语义结构从量化过程自然涌现，电商多国家/多站点场景下可直接复用语义 ID 做迁移。

GenRec | 2026-11-03 | cs.IR | score 9/10

OneModel：平台级多场景排序的统一基础模型

🧭 多场景统一排序 · 长序列用户建模 ★ 深度解读

Xiaohongshu

用共享事件序列与场景感知门控统一推荐、广告、商家排序，平衡跨场景迁移与专用化并大幅降低在线延迟

📌 工作参考价值（4 点）

跨场景统一事件序列：把不同业务（推荐/广告/商家）的行为映射成统一的 event token，用 scenario-specific projector + 结构上下文（scenario/action/Δt/pos），可直接复用于多业务共享排序模型，减少重复建模和用户表征碎片化。
SAIM 门控：在 FFN 中用 scenario id 生成 gate 对通道做调制，保持共享计算图却给各业务留下自适应空间；比完全分塔省资源，比硬共享抗负迁移。
工程部署：用户塔增量缓存 + 请求期 candidate 打分分离、用户特征预取、图级推理优化，将 latency 从 270ms 降至 90ms；在电商/广告多场景排序里做统一模型时可参考这套 serving 拆分。
训练稳定 trick：跨流采样避免高频业务主导、warm-up 梯度隔离、按各流验证 AUC 反比加权 loss、选择性 backprop；多目标多业务联合训练时能有效抑制负迁移。

RecSys | 2026-08-19 | cs.IR | score 10/10

面向生成式跨域推荐的分层量化与域自适应稀疏路由方法

🧭 生成式跨域推荐 · 分层语义ID与自适应路由 ★ 深度解读

City University of Hong Kong · Kuaishou Technology

提出分层共享-路由量化与稀疏专家混合的生成式跨域推荐框架，结合路由一致性正则化，显著提升稀疏域性能。

📌 工作参考价值（4 点）

分层量化码本设计：多域业务中，可构建共享粗粒度码本捕获通用语义（如“运动鞋”），并用可路由的细粒度码本捕捉品类特有细节（如“篮球鞋低帮”），替代全共享或全独立码本，适用于跨品类生成式推荐。
稀疏 MoE 的 shared+specialized 结构：在跨域 Transformer 中，始终激活一个共享专家处理通用模式，同时通过 Gumbel-Softmax 路由选择激活一个特化专家，实现条件化参数分配，既保持推理高效性又提升域特异性，适合大促场景下统一多域模型。
跨粒度路由一致性正则化：生成 Semantic ID 时，每个 item 对应多个 token，强制其路由分布与 item 级池化分布对齐（KL 散度），可有效降低 token 级路由变异，提高 item 表示连贯性，实现简单，仅需在 loss 中加入该项。
负载均衡防止路由坍塌：对码本或专家路由概率施加均匀分布偏差正则，简单有效避免少数容量被过分使用，确保所有专家得到利用，工程上易于落地。

GenRec | 2026-08-07 | cs.IR | score 9/10

合成先验预训练的单模型跨域序列推荐

🧭 免更新序列推荐 · 合成先验预训练 ★ 深度解读

Korea Advanced Institute of Science & Technology

SRPFN利用合成先验预训练与支持集条件推断，实现序列推荐无更新跨域泛化，平均提升7.53%。

📌 工作参考价值（4 点）

冷启动与品类扩展：新品类上线时，仅从已有交互构建低秩SVD嵌入+支持集，一分钟内即可复用预训练模型做推荐，无需重训模型。
长尾物品优化：采用基于转移概率采样支持集的方式，显著提升长尾物品命中率（Beauty Tail HR@5 +55.5%），可在推荐系统中用于长尾item的打捞。
合成先验数据增强：用hDCSBM+变阶随机游走生成海量、多样的合成训练序列，可预训练一个通用推荐基座，提升跨场景泛化能力。
架构迁移：编码器中的门控残差更新与方向性转移嵌入（源/目标分离）可嵌入现有Transformer推荐模型，增强对物品转移方向的敏感度。

RecSys | 2026-06-14 | cs.IR | score 8/10

量化意图：基于有机活动的跨域语义ID用于工业广告排序

🧭 跨域语义ID · 行为活动丰富度 ★ 深度解读

提出跨域用户语义ID和行为活动丰富度原则，利用有机Feed信号提升广告冷启动CTR达+1.522%，同时RQ-FSQ匹配密集AUC且存储缩小30～280倍

📌 工作参考价值（4 点）

行为活动丰富度选源原则：跨域特征优先选择编码近期行为信号（如浏览、互动序列）的源，而非静态画像文本。实验显示 Feed Activity 直接聚合行为比纯文本嵌入多 +0.177% AUC，可作为电商/广告系统选择外部特征源的直接指导。
RQ-FSQ 离散化通用方案：将预训练用户/商品嵌入离散化时，可结合残差 VQ 保留全局结构与单维标量量化保留细节，匹配甚至超过原始密集嵌入 AUC。这一方法适用于压缩 LLM 编码器输出，在存储受限的推荐服务中能直接复用，实现 30～280 倍压缩而不掉点。
HDE 模块即插即用：使用前缀 n-gram 哈希表对任意 K 级离散 ID 序列编码，支持多源独立查表与求和，插入现有 CTR 特征层无需修改骨干网络。该设计可直接迁移到电商排序模型的特征工程环节，降低多源离散特征集成成本。
冷启动行为桥接：将非广告域（如内容浏览、社交互动）的丰富行为量化为语义 ID，作为排序模型的用户侧特征，可有效缓解新用户/稀疏用户信号不足，冷启动段 CTR 提升达 +1.522%，对电商 Push、新客推荐场景有直接借鉴意义。

RecSys | 2026-05-31 | cs.IR | score 10/10