[LG]《Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study》D Bai, J Liu, Z Tang, P Wu… [Google LLC] (2026)

在工业级推荐系统领域，如何在一个统一模型中高效对网页文章、短视频及生成式卡片等极度异构的内容进行排序是一个悬而未决的难题。过去的方法受困于“多数派偏差”和任务间的“负迁移”，本质原因是单一的隐层表示难以兼容不同内容类型背后迥异的特征密度与用户交互模式。

本文的核心洞见是：把内容异构性重新看作一种显式的上下文导航信号。由此，HA-MoE 架构通过将异构信号同时注入专家网络的门控系统与表征层，实现了专家权重的动态切换与特征维度的精细调节，使模型能够根据内容属性自动“拨号”至最匹配的预测逻辑。

这项工作真正留下的遗产是为超大规模异构流推荐提供了一套从架构设计、可解释性监控到双层评估指标（DL-AUC）的完整工业实践。它为后来者打开的新门是将模型内部的“分工演化”量化为可观测的系统指标，但尚未跨过的门槛是跨 session 的长期兴趣演化与更复杂的列表级编排优化。

arxiv.org/abs/2607.27577 机器学习 人工智能 论文 AI创造营