2025年11月12日，網(wǎng)易云音樂(lè)生成式推薦大模型“Climber”正式榮獲全球?qū)W術(shù)會(huì)議CIKM2025應(yīng)用類最佳論文獎(jiǎng)。據(jù)悉，ACM CIKM由美國(guó)計(jì)算機(jī)協(xié)會(huì)（ACM）和信息檢索專業(yè)委員會(huì)（SIGIR）發(fā)起，是信息檢索和數(shù)據(jù)挖掘領(lǐng)域頂級(jí)學(xué)術(shù)會(huì)議之一。網(wǎng)易云音樂(lè)以獨(dú)立研發(fā)主體身份，在國(guó)際推薦算法領(lǐng)域斬獲最佳論文獎(jiǎng)，標(biāo)志著中國(guó)企業(yè)在推薦系統(tǒng)領(lǐng)域的技術(shù)創(chuàng)新獲得全球?qū)W術(shù)界和工業(yè)界的認(rèn)可。

網(wǎng)易云音樂(lè)生成式推薦大模型“Climber”是國(guó)內(nèi)深度融合大模型生成式技術(shù)與推薦系統(tǒng)的標(biāo)桿性成果。該模型在推薦場(chǎng)景中系統(tǒng)性破解了Transformer架構(gòu)的scaling law縮放難題，創(chuàng)新采用多元混合序列建模方案與全新多任務(wù)學(xué)習(xí)范式，不僅實(shí)現(xiàn)了技術(shù)層面的突破性進(jìn)展，更為工業(yè)界提供了可直接復(fù)用的推薦系統(tǒng)優(yōu)化新范式，具備極強(qiáng)的實(shí)踐參考價(jià)值。

Best Applied Paper Award證書(shū)

當(dāng)日，韓國(guó)首爾，CIKM 2025頒獎(jiǎng)典禮現(xiàn)場(chǎng)，網(wǎng)易云音樂(lè)算法團(tuán)隊(duì)?wèi){借生成式推薦大模型Climber榮獲大會(huì)“Best Applied Paper Award”最佳論文獎(jiǎng)，獲獎(jiǎng)概率不到千分之三。該獎(jiǎng)項(xiàng)評(píng)選標(biāo)準(zhǔn)極嚴(yán)，需經(jīng)全球頂尖學(xué)者多輪評(píng)議，要求論文在理論深度、技術(shù)創(chuàng)新、實(shí)驗(yàn)嚴(yán)謹(jǐn)、寫(xiě)作質(zhì)量及產(chǎn)業(yè)落地等維度全面領(lǐng)先。今年與網(wǎng)易云音樂(lè)同臺(tái)競(jìng)技者包括Google、Amazon、Meta、Microsoft、Airbnb、字節(jié)、騰訊、阿里、快手等全球科技巨頭，以及MIT、Stanford、CMU、清華、北大等世界頂尖高校，競(jìng)爭(zhēng)異常激烈。

CIKM頒獎(jiǎng)現(xiàn)場(chǎng)

網(wǎng)易云音樂(lè)團(tuán)隊(duì)代表在CIKM晚會(huì)上登臺(tái)領(lǐng)獎(jiǎng)

Transformer作為自然語(yǔ)言處理（NLP）領(lǐng)域的“明星架構(gòu)”，是GPT等生成式大模型的核心基石，其憑借自注意力機(jī)制對(duì)序列依賴關(guān)系的強(qiáng)大捕捉能力，在語(yǔ)言理解任務(wù)中表現(xiàn)卓越。然而，當(dāng)將其遷移至推薦系統(tǒng)場(chǎng)景時(shí)，卻面臨 “長(zhǎng)序列建模能力不足、多業(yè)務(wù)場(chǎng)景適配性差、推理效率偏低” 等一系列核心挑戰(zhàn)，成為制約推薦系統(tǒng)性能突破的關(guān)鍵瓶頸。

比如，推薦領(lǐng)域的用戶行為天然具有不確定性。用戶可能早間聆聽(tīng)搖滾、午間切換至輕音樂(lè)、晚間轉(zhuǎn)向民謠，這類行為缺乏固定“語(yǔ)法”邏輯，甚至夾雜誤點(diǎn)歌曲等噪聲數(shù)據(jù)，與NLP語(yǔ)言序列的強(qiáng)邏輯性截然不同；同時(shí)，不同推薦場(chǎng)景的用戶行為模式差異顯著，傳統(tǒng) Transformer架構(gòu)難以適配這種場(chǎng)景分化：例如“每日推薦”需深度挖掘用戶長(zhǎng)期偏好，“私人漫游”則更側(cè)重捕捉近期互動(dòng)軌跡。在此情形下，若單純追求Transformer模型的規(guī)模擴(kuò)容，不僅會(huì)陷入用戶核心興趣難以精準(zhǔn)捕捉、多場(chǎng)景適配能力不足的困境，還會(huì)面臨離線訓(xùn)練效率低下、在線推理延遲過(guò)高等工業(yè)落地難題，最終嚴(yán)重影響用戶的實(shí)際使用體驗(yàn)。

CIKM會(huì)議期間技術(shù)報(bào)告現(xiàn)場(chǎng)

網(wǎng)易云音樂(lè)算法團(tuán)隊(duì)在CIKM會(huì)上發(fā)表技術(shù)報(bào)告，深入剖析了獲獎(jiǎng)?wù)撐摹禖limber: Toward Efficient Scaling Laws for Large Recommendation Models》的核心創(chuàng)新。報(bào)告詳細(xì)闡述了團(tuán)隊(duì)如何攻克以上困難，通過(guò)多項(xiàng)算法技術(shù)突破，實(shí)現(xiàn)了讓生成式大模型“聽(tīng)懂”音樂(lè)，為推薦系統(tǒng)的高效規(guī)?；l(fā)展提供了全新解決方案。

網(wǎng)易云音樂(lè)Climber模型架構(gòu)

網(wǎng)易云音樂(lè)生成式推薦大模型“Climber”的核心思路是基于推薦場(chǎng)景的特點(diǎn)，重構(gòu)Transformer的關(guān)鍵模塊。具體來(lái)說(shuō)，它包含三大核心創(chuàng)新組件：多尺度序列提?。∕SE）、自適應(yīng) Transformer層（ATL）、逐位門(mén)控融合（BGF）。這三個(gè)組件環(huán)環(huán)相扣，分別解決“長(zhǎng)序列計(jì)算效率”、“多場(chǎng)景適配”、“多興趣融合”的問(wèn)題。

在這種算法模型建構(gòu)的基礎(chǔ)上，網(wǎng)易云音樂(lè)生成式推薦大模型“Climber”實(shí)現(xiàn)了更高效的Scaling law效率（Scaling Law是指模型性能會(huì)隨著數(shù)據(jù)量、參數(shù)規(guī)模和計(jì)算資源的同步擴(kuò)大而呈現(xiàn)可預(yù)測(cè)的提升趨勢(shì) ），并進(jìn)一步揭示了在同等算力（模型執(zhí)行浮點(diǎn)運(yùn)算的總次數(shù)FLOPS）情況下，需要在Transformer層數(shù)（Layer Number）和序列長(zhǎng)度（Sequence Length）兩個(gè)方向的Scaling up保持相對(duì)均衡的條件下，才能帶來(lái)效果最優(yōu)的結(jié)果。

另外，“Climber”還同時(shí)從“架構(gòu)設(shè)計(jì)-加速技術(shù)-資源分配”三個(gè)層面協(xié)同優(yōu)化，讓推薦模型既能“變大”（捕捉更多信息），又能“跑快”（控制資源消耗）。而此前，行業(yè)內(nèi)的解決方案存在明顯短板，沒(méi)有形成“效果-效率”雙優(yōu)的閉環(huán)，無(wú)法滿足工業(yè)級(jí)推薦“大”和“快”兼?zhèn)涞男枨蟆?/p>

目前，網(wǎng)易云音樂(lè)生成式推薦大模型“Climber”已全面應(yīng)用于網(wǎng)易云音樂(lè)的心動(dòng)模式、每日推薦、私人漫游、歌單推薦、新歌推薦等核心場(chǎng)景。以用戶最熟悉的“每日推薦”場(chǎng)景為例，“Climber”上線后紅心率和每小時(shí)紅心行為數(shù)據(jù)均有大幅提升，能顯著改善用戶體驗(yàn)。同時(shí)，該模型也成功復(fù)用于會(huì)員推薦等多元業(yè)務(wù)，幫助業(yè)務(wù)效率實(shí)現(xiàn)顯著提升?！癈limber”實(shí)驗(yàn)測(cè)試期間，測(cè)試用戶普遍反饋每日推薦的歌曲結(jié)果質(zhì)量更高，每天打開(kāi)App都有更精準(zhǔn)新鮮的好音樂(lè)。

憑借卓越的泛化能力，網(wǎng)易云音樂(lè)生成式推薦大模型“Climber”的架構(gòu)設(shè)計(jì)已被多家行業(yè)平臺(tái)借鑒，成為推薦大模型工程化落地的標(biāo)桿范式，進(jìn)而引領(lǐng)行業(yè)技術(shù)路線。據(jù)了解，憑借精準(zhǔn)的個(gè)性化推薦能力，網(wǎng)易云音樂(lè)被譽(yù)為 “最懂你的音樂(lè) APP”，其多項(xiàng)推薦算法創(chuàng)新成果接連登陸KDD、CIKM、WWW、ICDM、DASFAA等全球頂尖學(xué)術(shù)會(huì)議。隨著推薦系統(tǒng)向更復(fù)雜、更多樣的方向發(fā)展，網(wǎng)易云音樂(lè)將繼續(xù)推動(dòng)推薦技術(shù)向“更精準(zhǔn)、更高效、更個(gè)性化”的目標(biāo)邁進(jìn)，持續(xù)引領(lǐng)音樂(lè)推薦體驗(yàn)升級(jí)。