TransX：通过行为与服务流交叉扩展基于 Transformer 的推荐系统
原标题：TransX: Scaling Transformer-based Recommendation via Behavioral and Serving Stream Crossings
AI 摘要
LinkedIn 的研究团队提出 TransX，一种生产导向的编码器-解码器推荐架构，将推荐重构为序列到序列的动作转导问题，显式解耦行为流建模与服务事件建模，并通过可扩展的交叉注意力连接近线行为编码和实时服务表示。TransX 采用摊销服务策略，结合增量行为编码和每请求键值缓存，使服务延迟对行为序列长度不敏感。在 LinkedIn 推荐系统上的大规模在线 A/B 测试中，TransX 相比现有生产模型实现了 CTR 提升 6.0% 和转化率提升 4.4%，同时在线计算量减少约 80%。
正文节选
Computer Science > Information Retrieval Title:TransX: Scaling Transformer-based Recommendation via Behavioral and Serving Stream Crossings View PDF HTML (experimental) Abstract:Modern industrial recommender systems (RecSys) increasingly adopt Transformer-based sequence models, with an emerging paradigm that frames recommendation as next-token prediction over a unified monolithic user sequence. However, collapsing heterogeneous data sources -- such as long-term user behaviors and rea