2026 腾讯广告算法大赛高分方案启示：行为条件赋能多模态生成推荐模型

​

摘要

2026 腾讯广告算法大赛落下帷幕，获奖方案直击工业推荐系统最核心的痛点 ——94% 的曝光噪声淹没仅 2.5% 的高价值转化信号，通过 FiLM+Gated Fusion+Attention Biasing 三机制协同实现了不同行为语义的彻底解耦。

本文将从问题本质、技术细节、灵感溯源、知识体系四个维度对该方案进行深度拆解，不仅告诉你 "第一名做了什么"，更重要的是告诉你 "他是怎么想到的"，以及"你需要具备哪些能力才能做出这样的方案"。

​编辑

一、引言：工业推荐的 "噪声困境"

腾讯广告算法大赛是国内含金量最高的算法竞赛之一，每年都吸引着来自全球顶尖高校和互联网公司的数万名选手参赛。今年的赛题聚焦于广告序列推荐，提供了包含 1000 万条用户行为记录的真实工业数据集 TencentGR-10M。

与学术数据集不同，工业推荐系统面临着一个极其残酷的现实：绝大多数行为都是无效噪声。在 TencentGR-10M 数据集中：

• 94.63% 的行为是曝光：用户只是看到了广告，没有任何表态
• 2.85% 的行为是点击：用户主动感兴趣，是明确的正信号
• 2.52% 的行为是转化：用户完成了付费或留资，是最高价值的信号

这就像一个侦探在破案时，收到了 100 条线索，其中 95 条都是无关的路人证词，只有 2-3 条是目击证人的关键口供。

朴素 Transformer 方案的致命缺陷

绝大多数选手的第一反应是："用最新的大模型做序列推荐！" 于是纷纷拿出了 Qwen、Llama 等大模型，把用户行为序列直接扔进 Transformer 里训练。

但结果却令人失望：无论怎么调参、怎么加特征，效果都上不去。

问题出在哪里？Transformer 是 "众生平等" 的，它会把所有 Token 一视同仁。当 94% 的噪声信号占据了绝大多数注意力时，模型学出来的就是一堆垃圾。它会记住 "用户看过什么"，但永远学不会 "用户真正想要什么"。

这就是工业推荐系统最棘手的核心难题：行为信号天然异质。

二、核心创新：Per-position Action Conditioning 三机制协同

第一名团队的核心洞察非常简单却极其深刻：

我们不能再让模型自己去分辨哪些线索重要，我们要直接告诉它哪些是高价值线索，哪些是噪声。

受 Pinterest 2025 年 PinRec 论文的启发，他们提出了逐位置行为条件化机制，在序列的每个位置，根据该位置的行为类型动态变形 Token 表征。

为了实现最彻底的语义解耦，他们没有满足于单一的调制机制，而是从特征空间、融合层面、注意力层三个不同粒度同时下手，形成了三管齐下的组合拳。

机制 A：FiLM 特征调制

FiLM（Feature-wise Linear Modulation）原本是计算机视觉领域用于视觉问答的技术，它可以对特征进行逐元素的仿射变换。

直觉解释：同一件商品，"被用户点击" 和 "只是被用户扫了一眼"，在用户兴趣建模中的语义是完全不同的。FiLM 无需为每种行为维护独立的 Embedding，而是在特征空间中直接对商品表征进行条件化变换。

机制 B：Gated Fusion 门控融合

单一的 FiLM 变换可能会丢失原始特征中的有用信息，因此他们引入了门控融合机制，自适应地混合原始特征和条件化特征。

效果：

• 对于噪声大的曝光行为，\(g趋近于 0，模型更多依赖原始特征
• 对于信息量大的转化行为，\(g(a_t)\)趋近于 1，模型更多依赖 FiLM 变换后的特征

机制 C：Attention Biasing 注意力偏置

最后，他们在 Transformer 的注意力计算层面加入了行为类型偏置矩阵，从最宏观的层面调控模型的注意力分布。

\(Attention(Q, K, V) = softmax\left(\frac{QK^T}{\sqrt{d}} + B(a_t)\right)V\)

\(B(a_t)\)是一个基于行为类型构造的偏置矩阵，它会让模型在计算注意力时，天生就更关注高价值的点击和转化行为，自动降低曝光行为的权重。

三机制协同效果总结

表格

这三个机制单独使用都能带来提升，但合在一起产生了1+1+1>3的质变效果，彻底解决了噪声淹没有效信号的问题。

三、精细时序建模：超越单一位置编码

Transformer 的位置编码只能表达 "这是第几个行为"，但完全无法感知真实时间的语义。用户早上 8 点刷到的广告和晚上 8 点刷到的广告，相隔 10 秒的两个行为和相隔 10 天的两个行为，其含义天差地别。

为此，第一名团队设计了三级层次的时序特征工程，全方位榨干时间信息的价值。

Level 1：绝对时间戳特征

捕捉用户行为的绝对时间模式：

• 小时（0-23）：一天内的消费高峰
• 星期几（0-6）：工作日与周末的行为差异
• 是否节假日：特殊消费场景

Level 2：相对时间差特征

计算相邻两个行为之间的时间间隔\(\Delta t_{u,t} = t_{u,t} - t_{u,t-1}\)，捕捉事件间隔的语义：

• 秒级：同一浏览 Session 内的连续行为
• 分钟级：同一会话的不同阶段
• 天级：跨会话回访，用户重新 "激活"

Level 3：Session 结构特征

将用户行为划分为三个层级的会话：

• Request-level Session：同一页面请求内的行为
• Session-level：同一次 App 打开期间的行为
• Cross-day Visit Session：跨天访问行为

每条行为都会携带 "属于哪个会话"、"在会话内的位置" 等上下文信息，让模型理解用户访问的宏观结构。

多频傅里叶特征编码

为了让模型更好地感知时间的周期性规律，他们使用了多频傅里叶编码：

其中频率覆盖了小时、日、周等多个时间尺度，让模型同时感知多频率的周期性规律。

四、冷启动与长尾优化：RQ-KMeans 语义 ID

传统的原始 Item ID 存在两个致命缺陷：

1. 长尾物品覆盖差：低频广告训练样本少，ID Embedding 学不好
2. 冷启动泛化弱：新广告没有历史数据，模型完全看不懂

随着多模态大模型的兴起，每个商品都有了高质量的图片和文本 Embedding。语义相近的商品，它们的多模态 Embedding 也会很接近。

第一名团队敏锐地抓住了这个机会，提出了RQ-KMeans 语义 ID方案：

1. 用多模态大模型为每个广告生成统一的 Embedding
2. 使用残差量化 K-Means（RQ-KMeans）将连续的 Embedding 量化成离散的 Token 序列
3. 语义相近的广告会共享相同的 Token 前缀，实现跨物品的知识迁移

RQ-KMeans 流程：

plaintext

多模态Embedding e ↓ 第1级量化 c₁ = argmin_k ||e - μ₁ᵏ||² → 码字id₁ 残差r₁ = e - μ₁c₁ ↓ 第2级量化（对残差再量化） c₂ = argmin_k ||r₁ - μ₂ᵏ||² → 码字id₂ 残差r₂ = r₁ - μ₂c₂ ↓ ...（L级） 语义ID = (id₁, id₂, ..., id_L)

为了防止模型只依赖粗粒度的语义码而忽略后续的精细层级，他们还引入了Random-k 正则化：训练时随机选取第 k 级语义码作为起始输入，强迫模型学习不同粒度的语义信息。

这一技巧起到了类似 Dropout 的正则化作用，显著增强了模型对长尾物品细粒度差异的感知能力。

五、训练与推理工程优化

再好的算法，没有扎实的工程实现也无法发挥出全部威力。第一名团队在训练和推理环节做了大量细致的优化，这也是他们能拉开差距的重要原因。

Muon + AdamW 混合优化器

• Muon 优化器：2024 年最新提出的优化器，专为神经网络隐层的稠密权重设计。它在 Nesterov 动量梯度上应用 Newton-Schulz 迭代做正交化，使各方向更新步长更均匀，收敛更快、最终效果更好。
• AdamW 优化器：用于优化 Embedding Tables 等稀疏参数，适合高基数 ID 特征。

混合策略：

• Muon → Transformer 各层稠密权重（Q/K/V/FFN 矩阵）
• AdamW → Embedding Table 等稀疏参数

静态计算图 + Large Negative Banks InfoNCE

• 静态计算图：固定 batch size 和负样本数，使 PyTorch/XLA 可以编译静态计算图，大幅提升 GPU 利用率，消除动态 shape 带来的重编译开销。
• Large Negative Banks：维护跨 batch 的负样本缓冲区，每步训练从中抽取大量负样本。实验表明，负样本数量越多，InfoNCE 损失越能区分细微的语义差异。

推理解耦架构

为了平衡性能与延迟，他们采用了推理解耦的架构：

1. 用户侧：在线实时运行完整的 Transformer（含 Action Conditioning），生成用户向量
2. 广告侧：离线预计算广告向量，构建 Faiss ANN 索引
3. 检索：在线用用户向量在 Faiss 索引中检索 Top-K 广告候选

这种架构将大部分计算量转移到了离线，在线推理延迟控制在 10ms 以内，完全满足工业级要求。

六、灵感溯源：第一名是怎么想出来的？

很多人看完这个方案会觉得："这些技术我都听过，为什么我想不到把它们组合起来？"

其实，能想出这个方案的人，既不是凭空顿悟的天才，也不是只会堆论文的书呆子。他走的是一条 **"发现真问题 → 跨领域找武器 → 组合优化成杀招 → 工程落地验证"** 的标准路径。

必备的四层知识体系

第一层：推荐系统的 "行业常识"

这是最容易被学生忽略，但也是最重要的一层。你需要知道：

• 工业界的数据集和学术数据集有什么不同
• 真实业务中哪些问题是真正的痛点，哪些是伪问题
• 模型的 bad case 背后反映了什么本质问题

这个知识怎么来：不是从课本上来的，而是从跑真实的工业数据集、分析 bad case来的。当你调了一个月的 Transformer，发现效果怎么都上不去，然后去看模型的注意力权重，发现它把 90% 的注意力都放在了曝光数据上时，你才会真正理解 "行为异质性" 这个问题有多致命。

第二层：Transformer 的 "底层解剖学"

你不能只会用transformers.AutoModel.from_pretrained()，你得知道 Transformer 的每一层、每一个公式是干嘛的，以及哪里可以动手脚。

• 如果你不知道注意力公式是\(softmax(QK^T/\sqrt{d})V\)，你就想不到可以加一个偏置矩阵
• 如果你不知道神经网络的特征是可以做逐元素运算的，你就想不到 FiLM 调制

这个知识怎么来：手推一遍 Transformer 的前向传播和反向传播，然后自己从零写一个简单的 Transformer，而不是永远用别人的封装。

第三层：跨领域的 "技术工具箱"

这是这个作者最厉害的地方：他没有局限在推荐系统的小圈子里，而是把其他领域已经验证过的成熟技术，拿来解决推荐系统的老问题。

表格

这个知识怎么来：不要只读推荐系统的论文，要同时关注 CV、NLP、大模型训练、甚至信号处理领域的进展。很多时候，你在推荐系统里卡了半年的问题，别的领域早就有成熟的解决方案了。

第四层：工程实现的 "肌肉记忆"

再好的想法，跑不起来都是空谈。这个方案里有大量的工程优化细节，没有扎实的工程能力根本做不出来。

• 知道怎么把动态 shape 改成静态 shape，让 GPU 利用率从 30% 提升到 90%
• 知道怎么维护跨 batch 的负样本缓冲区
• 知道怎么优化 Faiss 索引，把千万级商品的检索延迟控制在 10ms 以内

这个知识怎么来：多写代码，多调性能，多踩坑。不要满足于 "能跑通"，要追求 "跑得又快又好"。

每个创新点的思考过程还原

1. 核心问题的发现：调了一个月 Transformer 效果上不去 → 分析注意力权重 → 发现模型被曝光噪声淹没 → 得出结论：输入方式错了
2. Action Conditioning 的灵感：查论文发现 PinRec 提出了行为调制的想法 → 思考怎么做得更好 → 从三个不同粒度同时下手 → 三机制协同
3. 时序特征的灵感：发现位置编码无法表达真实时间 → 把时间拆成绝对、相对、会话三个层次 → 用傅里叶编码捕捉周期性
4. 语义 ID 的灵感：传统 Item ID 有冷启动问题 → 多模态大模型提供了高质量 Embedding → 把连续 Embedding 量化成离散 ID → 用 Random-k 防止坍缩

你会发现，所有的灵感都有迹可循，没有任何 "神来之笔"。

七、总结与启示

方案核心优势总结

表格

给算法工程师的三点启示

1. 先找真问题，再想解决方案：不要在别人已经解决了的问题上内卷，去发现那些真实存在、未被解决的工业界痛点
2. 不要局限在自己的领域：跨领域借鉴是创新的重要来源，很多时候 "他山之石，可以攻玉"
3. 永远不要忽视工程细节：很多时候，决定胜负的不是算法有多新颖，而是工程做得有多扎实

未来展望

随着大模型技术的不断发展，推荐系统正在经历从 "协同过滤" 到 "生成式推荐" 的范式转变。行为条件化、多模态融合、Agent 化将是未来推荐系统的重要发展方向。

对于想要进入这个领域的同学来说，现在正是最好的时机。你不需要从头训练一个大模型，你只需要学会如何把大模型的能力和推荐系统的业务场景结合起来，就能做出非常有价值的工作。

写在最后

很多人觉得算法竞赛拼的是天赋，但实际上，拼的更多的是对问题的理解深度和知识体系的广度。第一名的方案里没有任何黑科技，所有的技术都是公开的，但只有他把这些技术用在了正确的地方，解决了真正的问题。

希望这篇文章能给你带来一些启发。如果你觉得有用，欢迎点赞、收藏、转发。如果你有任何问题，也欢迎在评论区留言交流。