Machine-learning research doma…

# 近三年电商推荐算法模型演进梳理

一、整体演进脉络（2022-2024）

• 从ID embedding到生成式范式：工业界从“召回+排序”双塔/CTR模型，逐步转向大语言模型（LLM）与生成式推荐融合。
• 多任务、多场景统一建模：从单场景精排走向跨场景、多行为联合优化。
• 序列建模成为主流骨干：Transformer类结构取代传统RNN，成为用户行为建模的标配。
• 图神经网络与知识图谱：在召回阶段（相似度扩展、冷启动）持续深化。

二、亚马逊代表性方案与论文

1. 《Recommendations as Treatments: Debiasing Learning and Evaluation》思想的延续——去偏与因果关系建模：亚马逊在曝光偏差校正方面有系列工作。

2. BERT4Rec类序列模型的工业改进：用于prime会员购物行为预测（公开论文多为ablation报告形式）。

3. 《A Framework for Recommending Relevant Products via Search Queries》方向的工作：查询-商品匹配的深度语义模型。

4. 多任务排序模型：如借鉴MMoE/PLE架构的工业报告，出现在Amazon Science公开论文库。

5. 检索式召回：基于双塔与HNSW/FAISS的向量召回体系（Amazon Science多篇工程论文）。

> 说明：亚马逊部分论文偏工程报告，可在 Amazon Science官网 检索"recommendation""personalization"获取，标题以实际库内为准，此处避免编造不实条目。

三、淘宝（阿里巴巴）代表性论文

1. DIN《Deep Interest Network》(KDD 2018，基础奠品，近三年大量后续引用)：Attention刻画用户对候选商品的兴趣。

2. SIM《Search-based Interest Model》(2020，近三年工业沿用)：超长行为序列建模。

3. MIND《Multi-Interest Network》(2019)：胶囊网络多兴趣召回。

4. ETA《End-to-end Target Attention》(CIKM 2022)：长序列目标注意力+哈希优化。

5. 《Adap-taive / LLM-based RecSys探索》(2023-2024)：阿里发表多篇LLM+推荐论文（如与LLaRA、E4SRec等开源工作同源的阿里系研究），方向为生成式推荐。

四、两家方案对比

| 维度 | 亚马逊 | 淘宝 |

|---|---|---|

| 路线偏好 | 检索式召回+去偏评估，稳健工程化 | 激进迭代，兴趣建模深入（DIN→SIM→ETA） |

| 序列建模 | 相对早期，多借鉴BERT4Rec思想 | 独创性强，目标注意力成体系 |

| LLM融合 | 探索生成式推荐 | 较快落地于猜你喜欢等场景探索 |

五、建议查阅渠道

• Amazon Science官网、arXiv（关键词：recommender, Alibaba, Amazon）
• KDD/CIKM/SIGIR近三年Recommender Systems Track

> 提醒：以上论文年份跨度以官方发表信息为准，建议下载前在Google Scholar核实原始出处。