一、导读

推荐系统在电商和流媒体等领域扮演着核心角色，但现有方法通常将用户行为序列建模和特征交互作为两个独立模块处理，这导致信息无法双向流动，模型难以统一优化和扩展，限制了性能提升。

为了解决这一问题，本论文提出OneTrans，一个统一的Transformer框架，将序列和非序列特征融合到一个模型中。该框架通过参数共享和特定设计，实现了高效的双向信息交换，在工业数据集上显著提升了推荐效果，在线测试中用户总交易额提升了5.68%。

二、论文基本信息

• 论文标题：OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender
• 作者与单位：赵琦张（字节跳动/南洋理工大学）、裴浩雷、郭俊、王天宇、冯宇飞、孙辉、刘少伟、孙爱新（字节跳动/南洋理工大学）
• 论文链接：https://arxiv.org/abs/2510.26104

三、主要贡献与创新

1. 提出统一Transformer框架，同时处理序列建模和特征交互。
2. 设计混合参数化，序列token共享参数，非序列token使用独立参数。
3. 引入金字塔策略逐步修剪序列token，提升计算效率。
4. 采用跨请求KV缓存，减少重复计算，优化训练和推理。

四、研究方法与原理

OneTrans的核心思路是将用户行为序列和静态特征统一转换为token序列，通过改进的Transformer块进行联合建模，实现高效信息交互。

论文中图1和图2展示了整体架构，包括统一tokenizer、OneTrans块和金字塔堆叠。

• 统一Tokenizer：将序列特征（如用户点击历史）和非序列特征（如用户画像、物品属性）分别转换为S-tokens和NS-tokens。序列特征通过MLP投影到统一维度，非序列特征通过分组或自动分割方式生成token。具体地，序列tokenization将多行为序列投影为 ，再合并为统一序列；非序列tokenization使用自动分割方式：。

• OneTrans块：每个块包含混合多头注意力（MixedMHA）和混合前馈网络（MixedFFN），采用预归一化（RMSNorm）和因果注意力掩码。注意力计算中，S-tokens共享权重，NS-tokens使用独立权重：

  其中 按位置分配：S-tokens使用 ，NS-tokens使用 。前馈网络类似：。

• 金字塔堆叠：随着网络层数加深，仅保留最近的部分S-tokens作为查询，逐步压缩序列长度。设输入token序列为 ，查询集 ，仅计算这些位置的查询，键和值基于全序列计算，注意力复杂度从 降至 。

• 训练与部署优化：采用跨请求KV缓存，用户行为序列的中间结果被缓存并跨候选物品重用，计算复杂度从 降至 ；同时集成FlashAttention、混合精度训练和激活重计算，显著降低内存和延迟。

五、实验设计与结果分析

实验设置

• 数据集：工业级数据集，包含29.1亿次曝光、2790万用户、1020万物品，按时间分割防止泄露。
• 任务与指标：CTR（点击率）和CVR（转化率）预测，使用AUC和UAUC（用户级AUC）评估效果，效率指标包括参数量和TFLOPs。
• 基线模型：包括DCNv2+DIN、Wukong+DIN、HiFormer+DIN、RankMixer+DIN、RankMixer+Transformer等。
• 超参数：OneTrans-S（6层，，4头）和OneTrans-L（8层，，4头）。

对比实验

表2结果显示，OneTrans-S在CTR AUC上比基线DCNv2+DIN提升1.13%，CVR AUC提升0.90%；OneTrans-L进一步提升至1.53% 和**1.14%**，且参数量达330M时仍保持较低推理延迟。

消融实验

表3评估设计选择：自动分割tokenizer优于组级方式（AUC下降0.10%）；时间戳感知融合优于意图排序（AUC下降0.09%）；使用[SEP]令牌有帮助；token-specific参数比共享参数更有效（AUC提升0.15%）；因果注意力与全注意力效果相近，但支持优化；金字塔堆叠在节省计算的同时未损性能。

系统效率

表5显示优化效果：金字塔堆叠减少训练时间**28.7%，内存42.6%；KV缓存降低延迟29.6%；FlashAttention削减训练时间50.1%；混合精度使推理延迟下降69.1%**。表4对比显示，OneTrans-L在参数量大幅增加下，推理延迟仍与基线相当。

缩放定律

图3表明，增加序列长度带来最大性能增益，加深网络比加宽更有效；OneTrans比RankMixer+Transformer具有更陡的缩放曲线，显示其参数和计算效率更高。

在线A/B测试

表6结果显示，在Feeds场景中，订单/用户提升4.35%，GMV/用户提升5.68%；在Mall场景中，分别提升2.58%和**3.67%，延迟降低约3%**，效果显著。

六、论文结论与评价

OneTrans通过统一Transformer框架成功整合了序列建模和特征交互，在工业数据集和在线测试中均表现出色，验证了其可扩展性和高效性。该方法借鉴了大语言模型的优化技术，如KV缓存和混合精度，实现了低延迟部署。优点包括：架构统一促进信息流动、扩展性强、工程优化充分。缺点在于模型复杂度较高，依赖大量数据训练，且在资源受限环境中适用性未讨论。未来可探索轻量级变体或跨领域应用，以进一步提升实用性。总体而言，OneTrans为推荐系统提供了一种新的可扩展范式，具有重要工业价值。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】