研究进展汇报-推荐算法（2026年7月）

推荐系统堪称工业界的"常青顶流"——从早期"猜你喜欢"的精准推荐，到如今"快准狠"的高效推荐，这条演进主线始终是产学研紧盯的风口。我们团队这几年在超长序列、模型轻量化、动态场景上深挖细磨，陆续产出了一些小心得，在此抛砖引玉：

1. 图协同过滤的量化瘦身：A Node-Aware Dynamic Quantization Approach for Graph Collaborative Filtering，CIKM 2025。给图神经网络做节点感知的动态量化，让图协同过滤模型轻装上阵。

https://dl.acm.org/doi/10.1145/3746252.3761244

2. 量化感知与后量化的统一视角：Chunk-Wise Quantization for Graph Collaborative Filtering，SIGIR 2026。把两种量化路线拉到同一个框架下对话，Chunk-wise 的切分策略让精度损失和压缩比不再非此即彼。

3. 捆绑推荐的动态性建模：Modeling Item-Level Dynamic Variability with Residual Diffusion for Bundle Recommendation，AAAI 2026。用残差扩散捕捉商品粒度的动态变化，让捆绑推荐从"静态搭配"进化到"因时因势而变"。

https://ojs.aaai.org/index.php/AAAI/article/view/38662

4. 超长序列模型的加速：Hyena Operator for Fast Sequential Recommendation，The Web Conference 2026。把 Hyena 这种长程算子搬进序列推荐，超长行为历史也能高效消化。

https://dl.acm.org/doi/10.1145/3774904.3792716

大模型时代，写作润色早已是基本技能；真正让高校科研人卷到失眠的，是在“算力受限、数据受限、场景受限”的三重夹缝中，找到一个还能切进的选题口子。资源越紧，切口越要准。

P.S. 借助Kimi进行了文字润色（Prompt核心词：轻快的科研风格）