UGR: Unified Generative Ranking for Heterogeneous E-commerce Recommendation
统一生成式排序：面向异构电商推荐的跨业务榜单生成
🧭 生成式排序 · 多业务混排与广告价值融合 ★ 深度解读
Alibaba Group
在淘宝异构候选集上统一生成多业务排序列表，结合反馈监督与广告debias塔，在线GMV提升2.10%
📌 工作参考价值（4 点）
- 若做生成式排序或混排，优先一次生成最终异构列表，避免“单业务生成 + mixrank”的两阶段方案。论文对照实验显示统一生成在线 GMV 比 staged 方案多出约 0.72pct，说明最终列表上下文应在一个生成过程内被建模。
- 广告/商业化场景中，可复制“训练期 ad debiasing tower + 在线只加当前 eCPM”的架构：tower 只看 ad 特征和 logged eCPM，训练后移除，推荐分与当前 eCPM 相加。这样能避免历史广告政策污染推荐分，并兼容 GSP 定价，不需要改动拍卖逻辑。
- 反馈监督可拆成两个层次：WSFT 用 feedback 加权 item-level NLL，PermPO 用同一反馈计算 DCG 构造 list-level preference pair。二者互补，适合在曝光序列之外引入转化/交易信号，提升 ranking quality。
- 处理千级候选可用低秩候选注意力（Linformer 式），把候选轴 KV 投影到少量 latent components，一次编码后 beam search 复用。论文在生产中仅增加 12ms 延迟，说明该方案能满足在线低延时约束。