Статьи RecSys 2026, которые запомнились (часть 1)

Сегодня у нас обзор long papers от @MaryiaKurdun3
На конфе было очень много интересных докладов, поэтому придется даже разбить на 2 части. А дальше — слово Маше:

Темы разные: от semantic IDs и GenRecSys до длинных пользовательских историй и cross-domain personalization. Собрала короткую выжимку по каждому блоку и отметила самые интересные работы.

Semantic IDs & Generative Interfaces

Как превратить каталог в пространство, по которому генеративная модель может надёжно «ходить»? Работы в этой сессии по-разному подходят к созданию SID и их декодированию.

GenCDSR — использует гибридную токенизацию с общими и специфичными для домена кодбуками, а также частично параллельное декодирование для ускорения генерации semantic IDs.
TopoTok — добавляет многоуровневый перенос структуры соседств при квантовании, чтобы дискретные semantic IDs сохраняли глобальные, локальные и item-level связи в исходном пространстве векторных представлений.
BONSAI — строит дерево декодирования переменной глубины из информативных слов в описаниях товаров. Ограничение числа ветвей на верхних уровнях помогает beam search эффективнее искать релевантные item IDs.

Long-Horizon Sequential Recommendation

Прямое attention-моделирование длинных пользовательских историй обходится дорого, а усечение истории может дропнуть долгосрочные интенты. Работы в этом блоке ищут способы снизить компьют и сохранить полезный long-term signal.

CONGA — авторы накидывают позиционное кодирование RoPE, несколько потоков обработки и механизм ассоциативного запоминания старых взаимодействий.
RDSR — формулирует сжатие истории как rate–distortion задачу: модель отбирает ограниченное число наиболее информативных взаимодействий, а остальные сигналы сжимает в компактное вероятностное представление. Это уменьшает длину входа и сохраняет информацию для next-item prediction.
SequenceO1 (ByteDance / Douyin) — сжимает историю длиной до 100 тысяч взаимодействий в кэшируемое представление пользователя с помощью Sketch Attention, а затем объединяет его с attention по последним 10 тысячам событий для совместного моделирования долгосрочных и краткосрочных интересов.

User Modeling, Intent & Cross-Domain Personalization

В этом блоке работы пытаются точнее понять интересы пользователя: перенести знания между доменами, отделить реальный интерес от шумных поведенческих сигналов или исследовать новые предпочтения.

DPGFlow — разделяет общие для разных доменов и специфичные для каждого домена предпочтения и использует их как условие для flow matching, обеспечивая более стабильный перенос интересов между доменами.
EGRec — There’s Something About You (Best Paper RecSys 2026; Disney) — для каждого объекта рассматривает два возможных исхода: пользователь заинтересуется рекомендацией или нет. Затем через дивергенцию Jensen–Shannon оценивает, насколько каждый исход улучшит знание системы об интересах пользователя. Этот сигнал используется для исследования новых интересов.
FLVM — Mend the Measurement Gap (Google / YouTube) — моделирует скрытую ценность контента для пользователя по нескольким поведенческим сигналам, отделяя интерес от влияния длины видео, общей активности пользователя и контекста сессии.

Agentic Recommendation & Autonomous Optimization

Здесь мне запомнились два направления: дополнительные шаги ризонинга внутри рекомендательной модели и LLM-агенты, которые помогают улучшать саму систему.

RecRec — история пользователя сжимается в несколько разнообразных векторов интересов, затем они итеративно уточняются в отдельном процессе ризонинга. После этого рекомендации строятся по обновлённым интересам.
Self-Evolving Recommendation System (YouTube / Google) — автоматизирует улучшение рекомендаций с помощью LLM-агентов. Они предлагают изменения архитектуры, оптимизатора и reward-функции, а затем проверяют их в офлайн-экспериментах и на живом трафике. Авторы также рассказывают о запусках таких улучшений в продакшене YouTube.