國際會議CIKM2025最佳論文揭秘！網易云音樂生成式推薦大模型摘冠

2025年11月12日，網易云音樂生成式推薦大模型“Climber”正式榮獲全球學術會議CIKM2025應用類最佳論文獎。據悉，ACM CIKM由美國計算機協會（ACM）和信息檢索專業委員會（SIGIR）發起，是信息檢索和數據挖掘領域頂級學術會議之一。網易云音樂以獨立研發主體身份，在國際推薦算法領域斬獲最佳論文獎，標志著中國企業在推薦系統領域的技術創新獲得全球學術界和工業界的認可。

網易云音樂生成式推薦大模型“Climber”是國內深度融合大模型生成式技術與推薦系統的標桿性成果。該模型在推薦場景中系統性破解了Transformer架構的scaling law縮放難題，創新采用多元混合序列建模方案與全新多任務學習范式，不僅實現了技術層面的突破性進展，更為工業界提供了可直接復用的推薦系統優化新范式，具備極強的實踐參考價值。

Best Applied Paper Award證書

當日，韓國首爾，CIKM 2025頒獎典禮現場，網易云音樂算法團隊憑借生成式推薦大模型Climber榮獲大會“Best Applied Paper Award”最佳論文獎，獲獎概率不到千分之三。該獎項評選標準極嚴，需經全球頂尖學者多輪評議，要求論文在理論深度、技術創新、實驗嚴謹、寫作質量及產業落地等維度全面領先。今年與網易云音樂同臺競技者包括Google、Amazon、Meta、Microsoft、Airbnb、字節、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，競爭異常激烈。

CIKM頒獎現場

網易云音樂團隊代表在CIKM晚會上登臺領獎

Transformer作為自然語言處理（NLP）領域的“明星架構”，是GPT等生成式大模型的核心基石，其憑借自注意力機制對序列依賴關系的強大捕捉能力，在語言理解任務中表現卓越。然而，當將其遷移至推薦系統場景時，卻面臨 “長序列建模能力不足、多業務場景適配性差、推理效率偏低” 等一系列核心挑戰，成為制約推薦系統性能突破的關鍵瓶頸。

比如，推薦領域的用戶行為天然具有不確定性。用戶可能早間聆聽搖滾、午間切換至輕音樂、晚間轉向民謠，這類行為缺乏固定“語法”邏輯，甚至夾雜誤點歌曲等噪聲數據，與NLP語言序列的強邏輯性截然不同；同時，不同推薦場景的用戶行為模式差異顯著，傳統 Transformer架構難以適配這種場景分化：例如“每日推薦”需深度挖掘用戶長期偏好，“私人漫游”則更側重捕捉近期互動軌跡。在此情形下，若單純追求Transformer模型的規模擴容，不僅會陷入用戶核心興趣難以精準捕捉、多場景適配能力不足的困境，還會面臨離線訓練效率低下、在線推理延遲過高等工業落地難題，最終嚴重影響用戶的實際使用體驗。

CIKM會議期間技術報告現場

網易云音樂算法團隊在CIKM會上發表技術報告，深入剖析了獲獎論文《Climber: Toward Efficient Scaling Laws for Large Recommendation Models》的核心創新。報告詳細闡述了團隊如何攻克以上困難，通過多項算法技術突破，實現了讓生成式大模型“聽懂”音樂，為推薦系統的高效規模化發展提供了全新解決方案。

網易云音樂Climber模型架構

網易云音樂生成式推薦大模型“Climber”的核心思路是基于推薦場景的特點，重構Transformer的關鍵模塊。具體來說，它包含三大核心創新組件：多尺度序列提取（MSE）、自適應 Transformer層（ATL）、逐位門控融合（BGF）。這三個組件環環相扣，分別解決“長序列計算效率”、“多場景適配”、“多興趣融合”的問題。

在這種算法模型建構的基礎上，網易云音樂生成式推薦大模型“Climber”實現了更高效的Scaling law效率（Scaling Law是指模型性能會隨著數據量、參數規模和計算資源的同步擴大而呈現可預測的提升趨勢 ），并進一步揭示了在同等算力（模型執行浮點運算的總次數FLOPS）情況下，需要在Transformer層數（Layer Number）和序列長度（Sequence Length）兩個方向的Scaling up保持相對均衡的條件下，才能帶來效果最優的結果。

另外，“Climber”還同時從“架構設計-加速技術-資源分配”三個層面協同優化，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，行業內的解決方案存在明顯短板，沒有形成“效果-效率”雙優的閉環，無法滿足工業級推薦“大”和“快”兼備的需求。

目前，網易云音樂生成式推薦大模型“Climber”已全面應用于網易云音樂的心動模式、每日推薦、私人漫游、歌單推薦、新歌推薦等核心場景。以用戶最熟悉的“每日推薦”場景為例，“Climber”上線后紅心率和每小時紅心行為數據均有大幅提升，能顯著改善用戶體驗。同時，該模型也成功復用于會員推薦等多元業務，幫助業務效率實現顯著提升。“Climber”實驗測試期間，測試用戶普遍反饋每日推薦的歌曲結果質量更高，每天打開App都有更精準新鮮的好音樂。

憑借卓越的泛化能力，網易云音樂生成式推薦大模型“Climber”的架構設計已被多家行業平臺借鑒，成為推薦大模型工程化落地的標桿范式，進而引領行業技術路線。據了解，憑借精準的個性化推薦能力，網易云音樂被譽為 “最懂你的音樂 APP”，其多項推薦算法創新成果接連登陸KDD、CIKM、WWW、ICDM、DASFAA等全球頂尖學術會議。隨著推薦系統向更復雜、更多樣的方向發展，網易云音樂將繼續推動推薦技術向“更精準、更高效、更個性化”的目標邁進，持續引領音樂推薦體驗升級。