2025年11月12日，網(wǎng)易云音樂生成式推薦大模型“Climber”正式榮獲全球學術會議CIKM2025應用類最佳論文獎。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)挖掘領域頂級學術會議之一。網(wǎng)易云音樂以獨立研發(fā)主體身份，在國際推薦算法領域斬獲最佳論文獎，標志著中國企業(yè)在推薦系統(tǒng)領域的技術創(chuàng)新獲得全球學術界和工業(yè)界的認可。

網(wǎng)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(tǒng)的標桿性成果。該模型在推薦場景中系統(tǒng)性破解了Transformer架構的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學習范式，不僅實現(xiàn)了技術層面的突破性進展，更為工業(yè)界提供了可直接復用的推薦系統(tǒng)優(yōu)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(xiàn)場，網(wǎng)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(jīng)全球頂尖學者多輪評議，要求論文在理論深度、技術創(chuàng)新、實驗嚴謹、寫作質量及產業(yè)落地等維度全面領先。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。

CIKM頒獎現(xiàn)場

網(wǎng)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(xiàn)卓越。然而，當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(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(guī)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(yè)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(xiàn)場

網(wǎng)易云音樂算法團隊在CIKM會上發(fā)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(chuàng)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(xiàn)了讓生成式大模型“聽懂”音樂，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Climber模型架構

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Transformer的關鍵模塊。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 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的基礎上，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)可預測的提升趨勢 ），并進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(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)內的解決方案存在明顯短板，沒有形成“效果-效率”雙優(yōu)的閉環(huán)，無法滿足工業(yè)級推薦“大”和“快”兼?zhèn)涞男枨蟆?/p>

目前，網(wǎng)易云音樂生成式推薦大模型“Climber”已全面應用于網(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，該模型也成功復用于會員推薦等多元業(yè)務，幫助業(yè)務效率實現(xiàn)顯著提升?！癈limber”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(wǎng)易云音樂生成式推薦大模型“Climber”的架構設計已被多家行業(yè)平臺借鑒，成為推薦大模型工程化落地的標桿范式，進而引領行業(yè)技術路線。據(jù)了解，憑借精準的個性化推薦能力，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等全球頂尖學術會議。隨著推薦系統(tǒng)向更復雜、更多樣的方向發(fā)展，網(wǎng)易云音樂將繼續(xù)推動推薦技術向“更精準、更高效、更個性化”的目標邁進，持續(xù)引領音樂推薦體驗升級。