论文: Recommender Systems with Generative Retrieval 链接: https://arxiv.org/abs/2305.05065 机构: Google DeepMind / Google / University of Wisconsin-Madison 作者: Shashank Rajput*, Nikhil Mehta*, Anima Sing...

论文: Embedding in Recommender Systems: A Survey 链接: https://doi.org/10.1145/3812652 机构: 香港城市大学（CityU）、百度、香港理工大学 作者: Maolin Wang、Xinjian Zhao、Wanyu Wang（共同一作）；Sheng Zhang、Jiansheng Li、Bowen Yu、Binhao...

论文: LASAR: Latent Adaptive Semantic Aligned Reasoning for Generative Recommendation 链接: https://arxiv.org/abs/2605.10207 机构: 北京航空航天大学人工智能学院、百度 作者: Yiwen Chen, Fuwei Zhang, Zehao Chen, Deqing Wang 等...

论文: Asymmetric Generative Recommendation via Multi-Expert Projection and Multi-Faceted Hierarchical Quantization 链接: https://arxiv.org/abs/2605.14512 机构: 清华大学计算机系（DCST / BNRist）、腾讯 作者: Bin Huang, X...

2026年5月，推荐系统领域的研究热度持续高涨。如果说4月是生成式推荐”从能用到好用”的转折期，那么5月的论文则清晰地勾勒出两条新的技术主线：推理增强（Reasoning-Enhanced）推荐和自适应计算分配（Adaptive Compute Allocation）。前者将 LLM 的 Chain-of-Thought / 隐空间推理能力引入 SID 解码过程，后者则在训练与推理阶段实现”...

论文: How Learning Rate Decay Wastes Your Best Data in Curriculum-Based LLM Pretraining 链接: https://arxiv.org/abs/2511.18903 机构: 清华大学、鹏城实验室 时间: 2025 年 11 月（arXiv v3 更新于 2026 年 5 月） 1. 问题背景 大语言模型预训练...

论文: Data Efficacy for Language Model Training 链接: https://arxiv.org/abs/2506.21545 机构: Microsoft Research 时间: 2025 年 6 月（ICLR 2026 投稿） 1. 问题背景 在大语言模型的训练流水线里，”数据”始终是最具决定性的变量之一。围绕”如何更好地使用数据”，研究社区在过...

论文: IAT: Instance-As-Token Compression for Historical User Sequence Modeling in Industrial Recommender Systems 链接: https://arxiv.org/abs/2604.08933 机构: 字节跳动 (ByteDance) 时间: 2026 年 4 月 1. 问题背景 近年来...

论文: UniMixer: A Unified Architecture for Scaling Laws in Recommendation Systems 链接: https://arxiv.org/abs/2604.00590 机构: 快手 (Kuaishou Technology) 时间: 2026年4月 1. 问题背景 LLM 中 Scaling Laws 的成功激发了推荐系统...

论文: Beyond Dense Connectivity: Explicit Sparsity for Scalable Recommendation 链接: https://arxiv.org/abs/2604.08011 机构: 阿里巴巴国际数字商业集团（AliExpress） 会议: SIGIR 2026 时间: 2026年4月 1. 问题背景 推荐系统的 Scaling 研究受...