面向十亿规模的跨场景统一用户兴趣建模

内容平台上的用户兴趣本质上具有多样性，通过复杂的行为模式在各种异构场景中表现，如搜索、信息流浏览和内容发现。传统的推荐系统通常在孤立的特定场景内优先优化业务指标，忽略跨场景的行为信号，难以在十亿规模部署中集成诸如大语言模型(LLM)等先进技术，最终限制了其捕捉跨平台接触点整体用户兴趣的能力。我们提出了 RED-Rec，一个由 LLM 提供支持的分层推荐引擎(RED-Rec)，用于多场景推荐，针对行业级内容推荐系统进行定制。RED-Rec 通过聚合和综合来自不同场景的行为动作，实现了跨多个行为上下文的用户兴趣表示，从而实现全面的物品和用户建模。在其核心，一个两塔 LLM 驱动的框架实现了细致、多面的表示并具备部署效率，场景感知的稠密混合和查询策略有效融合了多样化的行为信号，以捕捉跨场景用户意图模式，并在服务时表达细粒度、情境特定的意图。我们通过在 RedNote 上进行数亿用户的在线 A/B 测试验证了 RED-Rec，显示在内容推荐和广告投放任务中均实现了显著的性能提升。我们进一步引入了一个百万规模的序列推荐数据集 RED-MMU，用于全面的离线训练和评估。我们的工作推动了统一的用户建模， unlocking 更深入的个性化，并在大规模 UGC 平台中培育了更有意义的用户参与。