显著提升音乐推荐成效！网易云音乐大模型获全球学术会议CIKM2025最佳论文奖

2025年11月12日，网易云音乐生成式推荐大模型“Climber”正式荣获全球学术会议CIKM2025应用类最佳论文奖。据悉，ACM CIKM由美国计算机协会（ACM）和消息检索专门委员会（SIGIR）发起，是消息检索和数字挖掘领域顶尖学术会议之一。网易云音乐以独立研发主体身份，在国际推荐算法领域斩获最佳论文奖，标志着我国公司在推荐系统领域的技术革新获取全球学术界和工业界的认可。

网易云音乐生成式推荐大模型“Climber”是国内深度融合大模型生成式技术与推荐系统的标杆性成果。该模型在推荐场景中系统性破解了Transformer架构的scaling law缩放难题，革新采用多元混合序列建模方案与全新多任务把握范式，不但达成了技术层面的突破性进展，更为工业界给予了可径直复用的推荐系统优化新范式，具备极强的实践参考价值。

Best Applied Paper Award证书

当日，韩国首尔，CIKM 2025颁奖典礼现场，网易云音乐算法团队凭借生成式推荐大模型Climber荣获大会“Best Applied Paper Award”最佳论文奖，获奖概率不到千分之三。该奖项评选标准极严，需经全球顶尖学者多轮评议，需求论文在理论深度、技术革新、实验严谨、写作质量及产业落地等维度全面领先。今年与网易云音乐同台竞技者包含Google、Amazon、Meta、Microsoft、Airbnb、字节、腾讯、阿里、快手等全球科技巨头，另有MIT、Stanford、CMU、清华、北大等世界顶尖高校，角逐异常激烈。

CIKM颁奖现场

网易云音乐团队代表在CIKM晚会上登台领奖

Transformer当做天然语言处置（NLP）领域的“明星架构”，是GPT等生成式大模型的核心基石，其凭借自注意力机制对序列依赖关系的强大捕捉实力，在语言领会任务中体现卓越。然而，当将其迁移至推荐系统场景时，却面对 “长序列建模实力不足、多业务场景适配性差、推理效率偏低” 等一系列核心挑战，变成制约推荐系统性能突破的关键瓶颈。

比如，推荐领域的顾客行为天然具有不确认性。顾客或许早间聆听摇滚、午间切换至轻音乐、晚间转向民谣，这类行为缺乏固定“语法”逻辑，甚至夹杂误点歌曲等噪声数字，与NLP语言序列的强逻辑性截然不同；与此同时，不同推荐场景的顾客行为形式差异显著，常规 Transformer架构难以适配这种场景分化：例如“每日推荐”需深度挖掘顾客长期偏好，“私人漫游”则更侧重捕捉近期互动轨迹。在此情形下，若单纯追求Transformer模型的规模扩容，不但会陷入顾客核心兴趣难以精准捕捉、多场景适配实力不足的困境，还会面对离线训练效率低下、在线推理延迟过高等工业落地难题，最终严重作用顾客的实际应用感受。

CIKM会议期间技术汇报现场

网易云音乐算法团队在CIKM会上发表技术汇报，深刻剖析了获奖论文《Climber: Toward Efficient Scaling Laws for Large R.commendation Models》的核心革新。汇报详细阐述了团队怎样攻克以上难题，经过多项算法技术突破，达成了让生成式大模型“听懂”音乐，为推荐系统的高效规模化进展给予了全新办理方案。

网易云音乐Climber模型架构

网易云音乐生成式推荐大模型“Climber”的核心思路是鉴于推荐场景的特点，重构Transformer的关键模块。具体来说，它包含三大核心革新组件：多尺度序列提取（MSE）、自适应 Transformer层（ATL）、逐位门控融合（BGF）。这三个组件环环相扣，分别办理“长序列计算效率”、“多场景适配”、“多兴趣融合”的难题。

在这种算法模型建构的基本上，网易云音乐生成式推荐大模型“Climber”达成了更高效的Scaling law效率（Scaling Law是指模型性能会伴随数字量、参数规模和计算资产的同步扩展而呈现可预测的提升动向 ），并进一步揭示了在同等算力（模型实施浮点运算的总次数FLOPS）状况下，需求在Transformer层数（Layer Number）和序列长度（Sequence Length）两个方向的Scaling up保持相对均衡的条件下，才能带来成效最优的结局。

另外，“Climber”还与此同时从“架构策划-加速技术-资产分配”三个层面协同优化，让推荐模型既能“变大”（捕捉更多消息），又能“跑快”（控制资产消耗）。而此前，产业内的办理方案现存明显短板，缺乏构成“成效-效率”双优的闭环，无法吻合工业级推荐“大”和“快”兼备的需求。

目前，网易云音乐生成式推荐大模型“Climber”已全面应用于网易云音乐的心动形式、每日推荐、私人漫游、歌单推荐、新歌推荐等核心场景。以顾客最熟悉的“每日推荐”场景为例，“Climber”上线后红心率和每小时红心行为数字均有大幅提升，能显著改善顾客感受。与此同时，该模型也胜利复用于会员推荐等多元业务，协助业务效率达成显著提升。“Climber”实验测试期间，测试顾客广泛反馈每日推荐的歌曲结局质量更高，每天打开App都有更精准新鲜的好音乐。

凭借卓越的泛化实力，网易云音乐生成式推荐大模型“Climber”的架构策划已被多家产业系统借鉴，变成推荐大模型工程化落地的标杆范式，进而引领产业技术路线。据熟悉，凭借精准的个性化推荐实力，网易云音乐被誉为 “最懂你的音乐 APP”，其多项推荐算法革新成果接连登陆KDD、CIKM、WWW、ICDM、DASFAA等全球顶尖学术会议。伴随推荐系统向更复杂、更多样的方向进展，网易云音乐将持久促进推荐技术向“更精准、更高效、更个性化”的目的迈进，持久引领音乐推荐感受升级。