Step By Step Learning AI

如果这个仓库对你有帮助，欢迎点击右上角 Star ⭐ 支持一下，让更多人发现它！

About (English)

Companion notes for the WeChat account 稳扎稳打学AI (Step by Step Learning AI): structured write-ups of industrial papers in recommendation systems, computational advertising, and search (搜广推).

• What this repo is: paper interpretation notes synced with the WeChat posts (methods, takeaways, production signals) — organized by topic folders below.
• What it is not: a code-first or full experiment-reproduction warehouse. Occasional scripts/links appear inside a note when relevant.
• Author: Mingxing Liu · LinkedIn · WeChat: lmxhappy · Zhihu column

git clone https://github.com/lmxhappy/step-by-step-learning-ai.git

Visitors

欢迎来到本仓库！这是微信公众号「稳扎稳打学AI」的配套资源库，聚焦推荐 / 广告 / 搜索论文解读，陪你一起保持进步、不断精进。

关于公众号“稳扎稳打学AI”

• 公众号介绍：关注我，每天为你精选推荐算法paper，帮助你稳扎稳打地学习AI。公众号由刘明星（微信: lmxhappy）运营，内容聚焦于推荐、广告和搜索等。
• paper推荐原则：我们优先选择高影响力、实用性强的论文，包括但不限于LLM在推荐中的应用、搜索词推荐等实际案例分析。
• 知乎专栏：更多内容可查看稳扎稳打学AI - 知乎专栏，已更新200+篇内容，涵盖热门论文解读。

仓库内容

这个仓库是公众号「稳扎稳打学AI」的配套解读笔记库（与公众号同步更新），主要包括：

• 论文解读 / 笔记：针对搜广推相关论文的结构化解读（方法、心得、可信度等），按主题目录组织。
• 配图与索引：文中插图与 README 目录导航，方便连读与检索。
• 说明：当前以笔记为主，不以可运行代码 / 实验复现为主；若个别文章附带脚本或外链，会在文内单独说明。

如何开始

1. 关注公众号：搜索“稳扎稳打学AI”或扫描二维码，获取每日论文推荐。
2. 克隆仓库：git clone https://github.com/lmxhappy/step-by-step-learning-ai.git
3. 贡献：欢迎提交 PR，分享你的论文笔记或纠错。我们一起进步！

目录结构 & 内容说明

📁 子目录导航

• 跨域 跨领域推荐。

  • MTFM — 异构多场景推荐 Foundation Model (美团)
  • YouTube Music 跨域蒸馏 — 零样本跨域知识蒸馏，新歌收听+11% (YouTube)

• 用户行为序列建模 用户的历史行为序列建模，包括超长序列建模和普通序列建模。

  • STCA — 超长序列建模，完播率+3% (字节)
  • Ultra-HSTU — HSTU 2.0 超长序列建模 (Meta)
  • MoS — 序列聚类+MoE 搞定长序列 (Meta)
  • Sample Is Feature — 序列样本分词，CTR+2% (美团)
  • GenLI — 生成式长兴趣建模，RPM+1.6% (美团)
  • UxSID — 用聚类搞定超长序列建模，收入+0.3% (快手)
  • TokenMinds — 用户生成式SID特征双输出表征 (YouTube)
  • UniSGR — 增加用户SID特征，GMV+6% (阿里)
  • CMSL — 用户行为序列转成纯净意图流 (Meta)
  • EST — 异构特征统一建模，RPM+3% (阿里)

• 生成式推荐 生成式推荐。

  • CONGRATS — 生成式重排，图结构解码器+一致性训练，Long Views+2.18% (快手)
  • TGR-Reason — 离线reason token注入，新用户曝光转化+13.09% (腾讯)
  • OneLive — 生成式推荐落地直播场景 (快手)
  • Sigma — 生成式推荐，GMV+8% (阿里)
  • VectorizingTrie — 生成式召回解码提速最高1000倍 (Google)
  • GEM-Rec — 统一推荐与广告的生成式推荐 (Google)
  • RCLRec — 稀疏目标的生成式推荐，广告收入+2% (阿里国际)
  • CQ-SID — 搜索LLM生成式召回，贡献七成成交 (阿里)
  • DGI — SID与GR联合训练，RPM+1.11% (阿里)

• SID 语义ID学习与生成式检索。

  • QuaSID — SID 量化新方法，GMV+2% (快手)
  • AKT-Rec — 聚类相关特征提升长尾，GMV+3% (阿里)

• LLM4Rec LLM 在推荐/召回中的各类应用范式。

  • LLM语义召回 — LLM as annotator (Meta)
  • LLM合成查询生成 — 数据增强 (Airbnb)
  • 级联生成式LLM首页个性化 — LLM as ranker (Instacart)
  • GenRec — LLM直接当精排，一次前向给全目录打分 (Netflix)

• 特征交叉

  • MGDIN — 特征交叉新方法，CTR+3% (阿里)
  • SlimPer — 多层多槽位 Target Attention 增强 (Meta)
  • DANet — 折扣率显式建模，GMV+2% (阿里)
  • CCFormer — 长序列层次化压缩+三字段定向交叉，广告收入最高+1.71% (腾讯)

• 特征选择 特征重要性评估、低价值特征淘汰等特征治理类论文。

  • LO-FAR — 免GPU筛特征，稀疏参数最多砍掉75% (Meta)

• I2I推荐 I2I（Item-to-Item）推荐。

  • DAIAN — 详情页 I2I 推荐，成交额+2% (阿里)

• 双塔召回 两塔架构的深度召回。

  • CS3 — 双塔召回，广告收入最高+8% (快手)
  • HILL — 树状聚类索引+深度召回，业务指标+2.57% (Meta)
  • HSNN — 深度召回，业务指标+3% (Meta)
  • RankGraph — 聚类用于图召回，降本增效 (Meta)

• 损失函数 排序、分类等核心损失函数的创新与优化。

  • VarBPR — 改进 BPR 成对损失，应对隐式反馈噪声

• 表征学习 嵌入表征质量、表示坍缩等问题的建模与优化。

  • RankUp — 解决大规模排序模型表示坍缩 (腾讯)

• ML Infra 机器学习基础设施 / 特征运维 / 模型部署等工程系统类论文。

  • IEFF — 特征优雅下线，又快又稳 (Meta)
  • Versioned Late Materialization — 推荐工程架构/特征物化 (Meta)

• Auto Research 用AI自动化算法研发循环本身：提优化方向、写代码、跑实验、闭环反馈。

  • Astar — 模型进化机器人，自己提优化方向，GMV+4.86% (阿里)
  • A-MLE — 排序模型调优交给Agent，迭代吞吐翻几倍 (Meta)

• 长尾问题 长尾样本、稀疏特征、低频物品、新用户、新item的建模与优化。

  • UTTSI — 特征随机丢弃+集成解决稀疏样本预测不准 (阿里)

联系方式

• 作者：刘明星（Mingxing Liu）
• LinkedIn：mingxing-liu-b31656284
• 微信：lmxhappy
• 知乎：@思达-刘明星
• GitHub：lmxhappy/step-by-step-learning-ai
• 反馈：欢迎在公众号留言或 issue 中讨论。

感谢你的关注！让我们稳扎稳打，学好AI！🚀