2025生成式推荐在电商、内容与广告领域的应用和发展分析报告（37页）.pdf

1、行业研究市场分析深度洞察行业分析报告2025INDUSTRY REPORT 2 0 2 5 生成式推荐在电商、内容与广告领域的应用和发展分析报告 正文目录正文目录 1 生生成式成式推荐推荐：突破：突破传统传统瓶颈瓶颈的全新的全新推荐推荐范式范式.6 1.1 传统推荐系统回顾：深度学习带来国内互联网平台的带来大幅收益.6 1.1.1 机器学习时期主要技术和收益.6 1.1.2.8 1.1.3 深度学习时期主要技术和收益.8 1.2 生成式推荐：AI 时代互联网技术皇冠上的明珠.10 2 生生成式成式推荐推荐系统中系统中的标的标杆杆.14 2.1 端到端生成式架构（E2E-GR）.14 2.1.1

2、 HSTU：Meta 首创工业级生成式推荐系统.14 2.1.2 OneRec:快手首个工业级端到端生成式推荐落地方案.19 2.2 融合式生成式推荐.23 2.2.1 TIGER：Google 最早提出生成式检索范式.23 2.2.2 LLM&RankMixer:字节分层次 LLM 的生成式推荐方案.24 2.2.3 LUM：阿里基于三步范式构建推荐系统的大用户模型.27 2.2.4 GenRank：小红书推荐系统生成式精排的落地实践.29 3 生生成式成式推荐推荐的商业的商业价值价值天花天花板板.32 3.1 生成式推荐渐行渐近，哪类互联网公司更受益？.32 3.2 不同互联网业务类型收益

3、弹性测算.32 3.2.1 电商：“全站推”产品打通商业流量池和自然流量池，生成式推荐带动货币化率提升.32 3.2.2 短视频平台：用户数已接近天花板，提升时长、ad load、转化率和电商 take rate 是关键.35 3.2.3 互联网广告平台：成熟平台流量接近天花板，广告转化率提速带动收入增长提速.36 图表目录图表目录 图 1：传统推荐系统架构.6 图 2：2005-2015 年间，基于机器学习的推荐，Google、百度收入增速明显高于 Yahoo.8 图 3：在深度学习模型加持下，Google 广告收入增速年均比 Microsoft 高出约 4.7%.10 图 4：深度学习技术

4、带来阿里巴巴电商业务 CMR take rate 提升 1.13pcts(56%).10 图 5：机器学习推荐、深度学习推荐和生成式推荐的区别.11 图 6：推荐模型的逐渐复杂化.12 图 7：将深度学习的异构特征空间转化成用于生成式推荐的序列参数.15 图 8：召回模型的效果相比 DLRM 提升 6.2%.16 图 9：排序模型的效果相比于 DLRM 提高 12.4%.16 图 10：实验结果敃明大规模推荐系统适用缩放定律.16 图 11：FoundationExpert Paradigm 范式下，基础模型和专家模型架构.17 图 12：离线实验.18 图 13：2016-2024 年，苹果

5、隐私新规冲击后，Meta 在 AI 驱动下广告收入逐步恢复.18 图 14：Meta 和 Google 广告收入增速.19 图 15：Meta 在过去 6 个季度持续推进生成式推荐在业务的渗透，并获得收益.19 图 16：OneRec 系统概東.20 图 17：在线 A/B 测试环境中，OneRec 相较于多阶段系统的提升.21 图 18：OneRec-V2 总体架构与用户反馈对齐机制.21 图 19：OneRec 不同数据组敎方式对比.22 图 20：OneRec-V2 在线 A/B 测试结果.22 图 21：TIGER 模型架构图.23 图 22：序列推荐任务的性能比较.24 图 23：H

6、LLM 模型结构.25 图 24：字节 RankMixer 框架.26 图 25：实验结果整体效果.26 图 26：线上实验A/B 实验：推荐场景.27 图 27：线上实验A/B 实验：推荐场景.27 图 28：线上实验A/B 实验：广告场景.27 图 29：线上实验部署及开销.27 图 30：LUM 的架构及示例.28 图 31：模型在公共数据集上的表现.29 图 32：工业环境中的整体性能.29 图 33：GenRank 模型架构图.30 图 34：GenRank 的消融研究.31 图 35：GenRank 在线 A/B 测试结果.31 图 36：全站推流量机制.33 图 37：阿里巴巴