AI计算广告论文播报 6月11日 LLM画像登上推荐在线链路

周六9点半，今天我们聊一个分水岭事件：当Google把LLM真正塞进十亿用户视频推荐的在线服务路径，LLM在推荐与广告里的角色，正式从'离线特征供应商'切换成'在线决策参与者'。

本期重点

• 大规模LLM用户画像（LLM-Based User Personas for Recommendations at Scale）：Google的工业范本，一次prompt同时输出兴趣总结+探索话题，靠教师蒸馏+异步缓存+随机采样把LLM真的跑上线，A/B显示低活用户收益最大。
• 扩散式冷启动（DiffCold）：用扩散模型直接生成冷启动物品的协同表示，绕开'内容映射到行为'的老路，给冷热seesaw困境一个生成式解法。
• 解码无关LLM重排（CompRank）：通过token级压缩与不依赖解码的打分，把LLM重排成本压到接近向量检索量级，让排序链路LLM化更可部署。
• RAG向量稀释（When More Documents Hurt RAG）：明确指出盲目扩库会让稠密相似度失去区分度，提出领域受限、模型无关的检索范式，是对扩库式RAG的系统反思。

今日趋势

• cs.IR只有19篇但工业含量高，用户侧画像、物品侧冷启动、排序侧重排同时往LLM化走，主线都是'怎么让LLM便宜到能上线'。
• Agent与RAG的共同议题正在收敛：当检索/上下文规模上去之后如何避免质量塌陷，方法论共性是用结构化组织替代扁平top-k。

对广告同学最直接的启发在用户理解层——LLM画像可以补足类目/兴趣ID覆盖不到的长尾语义，尤其适合低活与新用户；但异步画像不适合强即时意图场景，安全过滤和探索流量分配也要在工程上提前安排。

欢迎在评论区聊聊你怎么看LLM在推荐/广告在线链路的下一步落地。本期内容由 AI 自动生成，仅供研究参考。