2025年11月12日，網(wǎng)易云音樂生成式推薦大模型“Climber”正式榮獲全球?qū)W術(shù)會議CIKM2025應(yīng)用類最佳論文獎。據(jù)悉，ACM CIKM由美國計算機協(xié)會(ACM)和信息檢索專業(yè)委員會(SIGIR)發(fā)起，是信息檢索和數(shù)據(jù)挖掘領(lǐng)域頂級學(xué)術(shù)會議之一。網(wǎng)易云音樂以獨立研發(fā)主體身份，在國際推薦算法領(lǐng)域斬獲最佳論文獎，標(biāo)志著中國企業(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)易云音樂生成式推薦大模型“Climber”是國內(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，具備極強的實踐參考價值。

當(dāng)日，韓國首爾，CIKM 2025頒獎典禮現(xiàn)場，網(wǎng)易云音樂算法團隊?wèi){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(biāo)準(zhǔn)極嚴(yán)，需經(jīng)全球頂尖學(xué)者多輪評議，要求論文在理論深度、技術(shù)創(chuàng)新、實驗嚴(yán)謹(jǐn)、寫作質(zhì)量及產(chǎn)業(yè)落地等維度全面領(lǐng)先。今年與網(wǎng)易云音樂同臺競技者包括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，競爭異常激烈。

Transformer作為自然語言處理(NLP)領(lǐng)域的“明星架構(gòu)”，是GPT等生成式大模型的核心基石，其憑借自注意力機制對序列依賴關(guān)系的強大捕捉能力，在語言理解任務(wù)中表現(xiàn)卓越。然而，當(dāng)將其遷移至推薦系統(tǒng)場景時，卻面臨 “長序列建模能力不足、多業(yè)務(wù)場景適配性差、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。用戶可能早間聆聽搖滾、午間切換至輕音樂、晚間轉(zhuǎn)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(shù)據(jù)，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(tǒng) Transformer架構(gòu)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(cè)重捕捉近期互動軌跡。在此情形下，若單純追求Transformer模型的規(guī)模擴容，不僅會陷入用戶核心興趣難以精準(zhǔn)捕捉、多場景適配能力不足的困境，還會面臨離線訓(xùn)練效率低下、在線推理延遲過高等工業(yè)落地難題，最終嚴(yán)重影響用戶的實際使用體驗。

網(wǎng)易云音樂算法團隊在CIKM會上發(fā)表技術(shù)報告，深入剖析了獲獎?wù)撐摹禖limber: Toward Efficient Scaling Laws for Large Recommendation Models》的核心創(chuàng)新。報告詳細(xì)闡述了團隊如何攻克以上困難，通過多項算法技術(shù)突破，實現(xiàn)了讓生成式大模型“聽懂”音樂，為推薦系統(tǒng)的高效規(guī)模化發(fā)展提供了全新解決方案。

網(wǎng)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(gòu)Transformer的關(guān)鍵模塊。具體來說，它包含三大核心創(chuàng)新組件：多尺度序列提取(MSE)、自適應(yīng) Transformer層(ATL)、逐位門控融合(BGF)。這三個組件環(huán)環(huán)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(gòu)的基礎(chǔ)上，網(wǎng)易云音樂生成式推薦大模型“Climber”實現(xiàn)了更高效的Scaling law效率(Scaling Law是指模型性能會隨著數(shù)據(jù)量、參數(shù)規(guī)模和計算資源的同步擴大而呈現(xiàn)可預(yù)測的提升趨勢 )，并進(jìn)一步揭示了在同等算力(模型執(zhí)行浮點運算的總次數(shù)FLOPS)情況下，需要在Transformer層數(shù)(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(yōu)的結(jié)果。

目前，網(wǎng)易云音樂生成式推薦大模型“Climber”已全面應(yīng)用于網(wǎng)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(shù)據(jù)均有大幅提升，能顯著改善用戶體驗。同時，該模型也成功復(fù)用于會員推薦等多元業(yè)務(wù)，幫助業(yè)務(wù)效率實現(xiàn)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(jié)果質(zhì)量更高，每天打開App都有更精準(zhǔn)新鮮的好音樂。

憑借卓越的泛化能力，網(wǎng)易云音樂生成式推薦大模型“Climber”的架構(gòu)設(shè)計已被多家行業(yè)平臺借鑒，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)的個性化推薦能力，網(wǎng)易云音樂被譽為 “最懂你的音樂 APP”，其多項推薦算法創(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)易云音樂將繼續(xù)推動推薦技術(shù)向“更精準(zhǔn)、更高效、更個性化”的目標(biāo)邁進(jìn)，持續(xù)引領(lǐng)音樂推薦體驗升級。