生成式推荐

Yandex Music 团队近期披露了其全新的推荐系统 Sona。该系统通过单一的 Transformer 模型，成功取代了原有的 15 个以上候选生成器（Candidate Generators）以及复杂的多级预排序（Pre-ranker）和排序（Ranker）流水线。这一变革标志着推荐系统架构正在从传统的“漏斗式”多级过滤向“端到端生成式”范式演进。 ▶ 架构坍塌与统一：Sona 证明了生成式大模型架构（Generative RecSys）能够接管原本由数十个专门组件负责的任务，将异构的检索逻辑统一为序列建模问题。 ▶ 工程债的极限清理：通过消除 15+ 个独立的生成器，团队不仅提升了推荐的准确度，更大幅降低了维护多套特征工程和异构模型的系统复杂性。 八卦洞察 Sona 的成功标志着推荐系统领域正在经历与 NLP 类似的“大一统”时刻。长期以来，工业界推荐系统依赖于复杂的“召回-粗排-精排”三段式架构，每一层都存在信息损耗。Sona 采用 Transformer 直接处理用户行为序列并生成推荐，本质上是将推荐问题转化为了“下一个项目预测”（Next-item Prediction）。这种做法的硬核之处在于它打破了特征工程的桎梏：当模型规模和上下文窗口足够大时，Transformer 的交叉注意力机制能比传统 GBDT 或 MLP 模型更有效地捕捉用户意图。这预示着未来顶尖大厂的推荐系统将不再是“拼积木”，而是“训大模”。 行动建议 对于拥有大规模分发业务的企业，建议立即评估现有排序流水线的“技术肥胖”程度。首先，尝试将长序列建模引入召回阶段，测试其对长尾内容的覆盖能力；其次，关注“生成式推荐”在冷启动场景下的表现，利用 Transformer 的泛化能力替代硬编码的启发式规则。最后，算力分配应从维护零散的小模型转向支持单一强大的序列模型，实现架构的去碎片化。