Buchumschlag

Unlocking Scaling Law in Industrial Recommendation Systems with a Three-step Paradigm based Large User Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yan, Bencheng, Liu, Shilei, Zeng, Zhiyuan, Wang, Zihao, Zhang, Yizhen, Yuan, Yujin, Liu, Langming, Liu, Jiaqi, Wang, Di, Su, Wenbo, Pengjie, Wang, Xu, Jian, Zheng, Bo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

UQABench: Evaluating User Embedding for Prompting LLMs in Personalized Question Answering
von: Liu, Langming, et al.
Veröffentlicht: (2025)

MIM: Multi-modal Content Interest Modeling Paradigm for User Behavior Modeling
von: Yan, Bencheng, et al.
Veröffentlicht: (2025)

From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction
von: Yan, Bencheng, et al.
Veröffentlicht: (2025)

Multi-task Offline Reinforcement Learning for Online Advertising in Recommender Systems
von: Liu, Langming, et al.
Veröffentlicht: (2025)

How to inject knowledge efficiently? Knowledge Infusion Scaling Law for Pre-training Large Language Models
von: Lv, Kangtao, et al.
Veröffentlicht: (2025)

Query-Mixed Interest Extraction and Heterogeneous Interaction: A Scalable CTR Model for Industrial Recommender Systems
von: Wang, Fangye, et al.
Veröffentlicht: (2026)

Federated User Behavior Modeling for Privacy-Preserving LLM Recommendation
von: Guo, Lei, et al.
Veröffentlicht: (2026)

MERGE: Next-Generation Item Indexing Paradigm for Large-Scale Streaming Recommendation
von: Yan, Jing, et al.
Veröffentlicht: (2026)

LinRec: Linear Attention Mechanism for Long-term Sequential Recommender Systems
von: Liu, Langming, et al.
Veröffentlicht: (2024)

RankMixer: Scaling Up Ranking Models in Industrial Recommenders
von: Zhu, Jie, et al.
Veröffentlicht: (2025)

USD: A User-Intent-Driven Sampling and Dual-Debiasing Framework for Large-Scale Homepage Recommendations
von: Zheng, Jiaqi, et al.
Veröffentlicht: (2025)

SORT: A Systematically Optimized Ranking Transformer for Industrial-scale Recommenders
von: Wang, Chunqi, et al.
Veröffentlicht: (2026)

PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations
von: Guo, Chengcheng, et al.
Veröffentlicht: (2026)

Give Users the Wheel: Towards Promptable Recommendation Paradigm
von: Lyu, Fuyuan, et al.
Veröffentlicht: (2026)

Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems
von: Hu, Jinxin, et al.
Veröffentlicht: (2026)

Efficient and Robust Regularized Federated Recommendation
von: Liu, Langming, et al.
Veröffentlicht: (2024)

Stratified Expert Cloning for Retention-Aware Recommendation at Scale
von: Lin, Chengzhi, et al.
Veröffentlicht: (2025)

GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation
von: Zhang, Jun, et al.
Veröffentlicht: (2025)

Dynamic User Interest Augmentation via Stream Clustering and Memory Networks in Large-Scale Recommender Systems
von: Liu, Peng, et al.
Veröffentlicht: (2024)

The Next Paradigm Is User-Centric Agent, Not Platform-Centric Service
von: Zhang, Luankang, et al.
Veröffentlicht: (2026)

MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
von: Han, Ruidong, et al.
Veröffentlicht: (2025)

Inference Computation Scaling for Feature Augmentation in Recommendation Systems
von: Liu, Weihao, et al.
Veröffentlicht: (2025)

Generative Recommendation: Towards Next-generation Recommender Paradigm
von: Wang, Wenjie, et al.
Veröffentlicht: (2023)

LONGER: Scaling Up Long Sequence Modeling in Industrial Recommenders
von: Chai, Zheng, et al.
Veröffentlicht: (2025)

Climber: Toward Efficient Scaling Laws for Large Recommendation Models
von: Xu, Songpei, et al.
Veröffentlicht: (2025)

MSN: A Memory-based Sparse Activation Scaling Framework for Large-scale Industrial Recommendation
von: Wu, Shikang, et al.
Veröffentlicht: (2026)

Towards End-to-End Alignment of User Satisfaction via Questionnaire in Video Recommendation
von: Li, Na, et al.
Veröffentlicht: (2026)

UniMixer: A Unified Architecture for Scaling Laws in Recommendation Systems
von: Ha, Mingming, et al.
Veröffentlicht: (2026)

Kunlun: Establishing Scaling Laws for Massive-Scale Recommendation Systems through Unified Architecture Design
von: Hou, Bojian, et al.
Veröffentlicht: (2026)

GeoGR: A Generative Retrieval Framework for Spatio-Temporal Aware POI Recommendation
von: Wang, Fangye, et al.
Veröffentlicht: (2026)

Scaling Transformers for Discriminative Recommendation via Generative Pretraining
von: Wang, Chunqi, et al.
Veröffentlicht: (2025)

TokenMixer-Large: Scaling Up Large Ranking Models in Industrial Recommenders
von: Jiang, Yuchen, et al.
Veröffentlicht: (2026)

IAT: Instance-As-Token Compression for Historical User Sequence Modeling in Industrial Recommender Systems
von: Li, Xinchun, et al.
Veröffentlicht: (2026)

Bending the Scaling Law Curve in Large-Scale Recommendation Systems
von: Ding, Qin, et al.
Veröffentlicht: (2026)

Beyond Static Collision Handling: Adaptive Semantic ID Learning for Multimodal Recommendation at Industrial Scale
von: Pan, Yongsen, et al.
Veröffentlicht: (2026)

User Feedback Alignment for LLM-powered Exploration in Large-scale Recommendation Systems
von: Wang, Jianling, et al.
Veröffentlicht: (2025)

Reinforce Lifelong Interaction Value of User-Author Pairs for Large-Scale Recommendation Systems
von: Li, Yisha, et al.
Veröffentlicht: (2025)

LoopCTR: Unlocking the Loop Scaling Power for Click-Through Rate Prediction
von: Tang, Jiakai, et al.
Veröffentlicht: (2026)

Multi-Scenario User Profile Construction via Recommendation Lists
von: Zhang, Hui, et al.
Veröffentlicht: (2026)

Diagnostic-Guided Dynamic Profile Optimization for LLM-based User Simulators in Sequential Recommendation
von: Liu, Hongyang, et al.
Veröffentlicht: (2025)