主要观点总结
KDD 2024论文概述了工业界在搜索、推荐和广告方面的工作，包括阿里巴巴、腾讯、快手、JD电商、华为等公司的研究内容，覆盖了传统推荐系统研究方向和基于大模型的生成式推荐、搜索、广告等工作。文章详细列举了多个研究方向的关键点，如跨域推荐、粗排性能增强、生成式出价、电商相关性模型架构、LLM需求理解、GCN图协同过滤、基于蒸馏的跨域推荐、淘宝搜索文本匹配索引、因果推断、合约广告、拍卖广告、标签推荐、冷启动CTR预估、图与大模型、出价、兴趣建模、LTV、uplift等。
关键观点总结
关键观点1: KDD 2024工业界搜广推论文概览
KDD 2024论文涵盖了工业界在搜索、推荐和广告方面的工作，包括阿里巴巴、腾讯、快手、JD电商、华为等公司的研究内容，涵盖了传统推荐系统研究方向和基于大模型的生成式推荐、搜索、广告等工作。
关键观点2: 阿里巴巴的研究内容
阿里巴巴的研究包括跨域推荐、粗排性能增强、生成式出价、电商相关性模型架构、LLM需求理解等。
关键观点3: 腾讯的研究内容
腾讯的研究涵盖了多模态推荐、排序目标引入推荐系统、序列建模、兴趣建模、LTV、uplift等。
关键观点4: 快手的研究内容
快手的研究涉及融合、重排、校准方面的工作，以及更高阶的用户留存建模等。
关键观点5: JD电商的研究内容
JD电商的研究包括异构图、多任务等。
关键观点6: 华为的研究内容
华为的研究包括序列推荐、生成式推荐、生成式内容、时长纠偏、结构化和语义表征、蒸馏、特征选择等。
关键观点7: Google的研究内容
Google的研究包括多任务、基于生成式AI的评估、用户价值等。
关键观点8: Airbnb的研究内容
Airbnb的研究包括基于模型蒸馏的多目标学习、地图场景下的LTR等。
关键观点9: Microsoft的研究内容
Microsoft的研究包括使用LLM和强化学习的topK推荐、使用LLM用于可解释推荐等。
文章预览
大家好，KDD 2024论文新鲜出炉，整理下工业界搜广推方面的工作。文末还整理了大模型相关的搜广推工作。 排名不分先后， 由于工作较多，存在遗漏的可能。 Alibaba Alibaba工作涵盖面广泛：推荐上，跨域推荐、粗排、GNN等；广告上，生成式出价、合约广告多目标、拍卖广告探索机制等。搜索上，电商相关性架构、LLM需求理解、淘搜文本匹配索引系统等。 跨域推荐 | Mitigating Negative Transfer in Cross-Domain Recommendation via Knowledge Transferability Enhancement 研究跨域推荐系统中知识迁移能力的提升，以减少负面迁移的影响。 Zijian Song (School of CS, Peking University, National Engineering Laboratory for Big Data Analysis and Applications, Peking University); WenHan Zhang (School of CS, Peking University, National Engineering Laboratory for Big Data Analysis and Applications, Peking University); Lifang Deng (Lazada Group); Jiandong Zhang (Laz
………………………………
