基于大用户模型的三步范式解锁工业级推荐系统中的比例律
信息检索
2026-01-26 v2
摘要
自从自回归大型语言模型（LLM）取得了显著进展以来，这些进展很大程度上归功于其可扩展性，通常称为“比例律”。受这些成就的启发，越来越多的人关注如何通过将推荐系统（RecSys）任务重新表述为生成问题来适应 LLM 以进行推荐。然而，这些端到端生成式推荐（E2E-GR）方法倾向于优先考虑理想化目标，往往以牺牲传统基于深度学习的推荐模型（DLRM）在特征、架构和实践方面所提供的实际优势为代价。这种理想化目标与实际需求之间的差异引入了若干挑战和限制，使工业级 RecSys 中的比例律受到锁定。在本文中，我们引入了大型用户模型（LUM），通过三步范式来解决这些限制，旨在满足工业环境的严格要求，同时释放可扩展推荐的潜力。我们的广泛实验评估表明，LUM 在性能上优于最新的 DLRM 和 E2E-GR 方法。值得注意的是，LUM 在规模化方面表现出色，当模型参数规模扩展至 70 亿时，性能均有所提升。此外，我们成功地将 LUM 部署在工业应用中，其中在 A/B 测试中实现了显著的性能提升，进一步验证了其有效性和实用性。
引用
@article{arxiv.2502.08309,
title = {Unlocking Scaling Law in Industrial Recommendation Systems with a Three-step Paradigm based Large User Model},
author = {Bencheng Yan and Shilei Liu and Zhiyuan Zeng and Zihao Wang and Yizhen Zhang and Yujin Yuan and Langming Liu and Jiaqi Liu and Di Wang and Wenbo Su and Wang Pengjie and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2502.08309},
year = {2026}
}
备注
WSDM 2026, 10 pages; The first three authors contributed equally to this work