创作者飞轮：关于 Creation 问题的一些思考
把消费者变成创作者，再把创作者推向头部：用一个飞轮、两个引擎和三个抓手，梳理短视频平台上 creation 问题的建模切入点。
推荐系统 · 生成式召回 · 大模型
你好，我是严严。
我做推荐系统。目前在 Meta 担任 Sr. Tech-Lead Manager / AI Research Scientist，负责 Instagram 的排序与推荐。近期的工作集中在生成式召回、基于大模型的推荐，以及十亿级用户规模下的多模态内容理解。
加入 Meta 之前，我在 TikTok 负责 Shop Ads 排序，在京东带过 30 人的广告推荐团队，在 LinkedIn 做过招聘搜索，在 Yahoo Labs 做过研究科学家。博士毕业于美国东北大学，本科毕业于清华大学。
这里是我写长篇技术笔记的地方，主要关于推荐系统与大语言模型交叉领域的论文和想法。
文章
05
OPRO 与 GR2 精读：LLM 作为优化器与生成式推理重排
精读 OPRO 与 GR2：前者以元提示让 LLM 迭代优化 prompt，后者通过语义 ID 中训练、推理数据生成与 DAPO 强化学习构建推荐重排器。
五月论文精读：排序、训练与召回的五篇论文
五篇论文精读：CrossDistil 跨任务蒸馏、DMT 拓扑感知训练、增强双塔、DHEN 转化率预测与 UniNote 多模态检索。
Diffusion 模型在推荐系统中的应用：文献阅读报告
精读 DiffuRec、Flow Matching 与 LLM 微调学习动力学三篇论文，并梳理 Diffusion 在推荐系统中的研究方向、代表论文与核心瓶颈。
推荐系统 × 大模型：41 篇论文的分类阅读报告
分类梳理 2022–2025 年推荐与大模型交叉领域的 41 篇论文，涵盖语义 ID 生成式检索、双塔冷启动、排序 Scaling 与扩散模型。
论文与专利
07- 2018 A Practical Deep Online Ranking System in E-commerce Recommendation ECML PKDDPDF
- 2017 Optimizing Gross Merchandise Volume via DNN-MAB Dynamic Ranking Paradigm IJCAI WorkshopPDF
- 2017 Dynamic alteration of weights of ideal candidate search ranking model US Patent App.
- 2014 Learning from multiple annotators with varying expertise Machine LearningPDF
- 2011 Active learning from crowds ICMLPDF
- 2010 Modeling annotator expertise: Learning when everybody knows a bit of something AISTATSPDF
- 2010 Medical coding classification by leveraging inter-code relationships KDD