本研究由Xinhang Yuan、Zexi Huang、Anjia Cao、Xudong Lu等来自TikTok与ByteDance的工业与学术团队共同完成，论文发表于ACM RecSys ’26（推荐系统领域顶级学术会议），DOI为10.1145⁄3773078.3831918。该工作属于推荐系统与多模态表征学习的交叉领域，首次在工业级直播推荐排序器中完全废除候选侧物品ID（item id），以内容驱动的离散语义编码（lucid）作为唯一物品标识。
现代推荐系统长期依赖基于ID的协同过滤范式：每个物品被赋予一个唯一ID嵌入向量，通过海量用户交互积累协同信号，从而实现个性化推荐。然而，直播场景的独特商品形态对这一范式构成根本性挑战。一个直播间仅在开播期间进入候选池，典型开播时长仅数十分钟（中位数约40分钟），其ID嵌入在如此短的生命周期内远未收敛。论文通过生产流量数据的实证测量发现：在直播40分钟时，物品ID嵌入的ℓ2范数仅达到稳态值约0.86，较稳态低约28%。这意味着绝大多数直播物品终其一生都带着欠训练（undertrained）的嵌入运行。与此同时，现代大型推荐模型（LRMs）将大部分容量分配在ID嵌入表上，这些表仅能记忆短时曝光信号，难以泛化。因此，研究团队提出核心论断：当物品ID本身具有短暂性时，ID主导效应已从“可容忍的干扰”上升为“根本性瓶颈”，必须彻底移除候选侧物品ID，而非继续以多模态信号作为ID的补充。
FLUID（Framework for Live Universal ID-free Recommendation）的完整流水线包含四个紧密衔接的阶段。
编码器采用单塔融合架构，包含三个模块：视觉模块基于SigLIP2-base原生分辨率ViT加两层MLP投影器，产生视觉token序列；文本模块将标题、OCR文字、ASR转录、作者简介、观众评论与贴纸标签等元数据token化；单塔融合模块基于Qwen3-Embedding-0.6B大语言模型，处理拼接后的视觉与文本token序列，最终将[EOS]隐藏状态线性投影为128维切片嵌入z。选择单塔而非双塔架构，是为了让视觉与文本在LLM全深度内充分交互，而非仅在输出层相遇。训练采用query-to-item（Q2I）对比学习任务与InfoNCE损失，并引入假阴性掩码机制：一批内若查询嵌入间两两相似度超过预设阈值，则整对负样本被剔除。训练分两阶段进行——先仅训练MLP投影器与输出投影层以保持LLM预训练语义，再以降低学习率全模型端到端微调。最关键的设计在于跨域联合训练：编码器同时使用直播切片与短视频切片数据训练，短视频域拥有更密集、更干净的用户参与监督信号（点赞、分享、完播），可有效提升对直播内容语义的泛化能力。这是FLUID区别于以往单一域多模态编码器的核心特征之一。
为将连续嵌入转化为可进入排序器嵌入表的离散编码，FLUID采用残差量化K-Means（RQ-KMeans）方法，将128维切片嵌入z分解为4层级联码字元组，每层码本大小N=64，得到LUCID编码（Live Universal Content Identifier），形如[33, 42, 63, 3]。作者明确选择RQ-KMeans而非RQ-VAE，原因是RQ-VAE在在线流式重训练节奏下码本条目易发生坍缩，而K-Means一旦拟合即可提供稳定划分。切片级LUCID编码刻画2分钟内容动态（如主播从聊天切换到唱歌），但单个直播间具有贯穿整场直播的稳定身份（主播风格、受众与话题焦点），因此FLUID通过逐层多数投票（per-level majority voting）聚合房间内所有累积切片，得到房间级LUCID。由于残差量化解耦了粗粒度到细粒度语义，逐层投票能够在不同层级上独立提取主导内容，避免层级间语义混合。
将LUCID元组映射为可学习嵌入时，FLUID摒弃了传统的层级独立查表（level-wise decoding）方法，采用前缀N-gram方案（Prefix N-gram Embedding）。层级独立查表存在关键缺陷：在残差量化中，深层级编码是对前缀路径的细化，相同的深层码字在不同前缀下对应完全不同的语义子区域。例如，切片A（c₁=0, c₂=2）与切片B（c₁=3, c₂=2）在层级独立查表下会共享同一嵌入表项e₂(2)，尽管残差几何表明这两个子区域毫无关联。前缀N-gram方案通过复合索引公式将每层编码与完整前缀路径绑定，使第l层嵌入表扩展至最多N^l行，公式为：c̃_l = Σₖ₌₁^l c_k · N^{l−k}。切片级与房间级LUCID使用独立参数化的两套前缀N-gram嵌入表，避免稳定房间语义与快速变化切片语义在共享参数空间中相互干扰，消融实验证明独立表格带来额外+0.05% AUC提升。
排序器骨干为类似Transformer的token级特征交互架构（Zenith++，生产管线）。FLUID系统比较了两种融合策略：早融合将物品ID与LUCID嵌入先合并为单一候选表征（如直接替换、拼接、可学习门控等方式）；迟融合则让各信号作为独立token进入骨干，由骨干自行学习交互。实验表明，早融合方法均无法有效利用LUCID信息——例如LARM可学习门控收敛后权重坍缩至物品ID一侧，切片LUCID几乎完全未使用。迟融合则将切片LUCID作为独立token添加到物品ID旁，获得+0.22% AUC提升。然而，若在引入LUCID后仍保留候选侧物品ID，排序模型的泛化天花板将受限于短命ID嵌入。因此最终FLUID架构完全移除候选侧物品ID，以房间级LUCID替代其位置，与切片级LUCID并列为两个候选侧token（t_fluid = {r, s}，g ∉ t_fluid）。
直接一步切换到去ID配置会导致训练不稳定，深层原因在于优化不对称性：短暂物品ID虽泛化差但携带强物品级记忆信号，骨干在联合训练早期即吸收该信号，抑制了较慢但更具泛化能力的LUCID信号。FLUID据此设计三阶段预热方案。阶段一（slice add-on）：从收敛的物品ID检查点初始化，将切片LUCID作为独立token添加，AUC提升+0.22%。阶段二（item id phase-out）：渐进式将候选侧物品ID归零，模型过渡到仅依赖切片LUCID，AUC相较基线仍保持+0.11%。阶段三（room add-on）：从已预热的切片级LUCID嵌入表初始化房间级LUCID嵌入表，随后独立训练以专精于持久房间身份，AUC达到+0.23%的最终水平。此后尝试将物品ID重新添加回来，未获得额外AUC增益，正式确认LUCID已完全吸收物品ID原有承载的候选侧信息。
排序模型在1680亿实例、4552个特征、98个目标的生产数据集上训练。基线（仅物品ID）AUC为0.7784。添加切片LUCID作为独立token带来+0.22% AUC提升；直接移除物品ID导致AUC暴跌0.47%，印证排序器对ID记忆的严重依赖；而FLUID最终配置（无物品ID + 切片与房间级LUCID）相较基线提升+0.23% AUC、降低0.19% LogLoss，并超越保留物品ID的“+切片LUCID”配置。在线A/B测试进一步验证：FLUID是唯一在全部三组指标上均取得显著提升的配置——参与度质量（quality watch duration +0.55%）、冷启动与多样性（cold-start room views +2.05%、niche room views +2.87%、unique watched tags +1.63%）以及留存（active hours +0.05%、stay duration +0.07%）。相比之下，仅添加切片LUCID（+slice）虽提升参与度与多样性，但留存指标无显著变化；仅移除ID（−id）虽提升冷启动与长尾曝光，却以−0.05% stay duration为代价。
消融实验覆盖编码器与排序器两个层面。编码器方面，骨干升级（Qwen3-Embedding + SigLIP2替换CLIP-B/32 + ALBERT-v2）贡献最大增益（直播Q2I R@10从43.96提升至47.44），单塔融合与两阶段训练在全部检索列上均带来额外提升。排序器方面，前文已述迟融合显著优于早融合，分阶段预热显著优于从零开始的朴素联合训练（后者AUC提升为+0.00%，排序器坍缩至仅依赖物品ID行为）。
FLUID的部署结果证明：当物品本质上是短瞬存在时，彻底移除候选侧物品ID是比继续堆叠融合技巧更有效的策略。这一结论的学术价值在于重新审视了推荐系统中ID与内容的权重关系——在物品生命周期极短的场景中，记忆化ID嵌入不仅无益，反而压制了可泛化内容信号的表达。从应用价值看，FLUID在十亿级用户规模的工业平台上实现全链路去ID化，显著改善冷启动房间曝光与内容多样性，为直播、新闻、实时商品等短生命周期推荐场景树立了可复用的范式。该研究的重要贡献还包括：首个跨短视域与直播域的联合多模态编码器训练方案、RQ-KMeans在流式更新环境下的稳定性优势论证、以及分阶段预热的工程化路径，这些方法论组件对工业界具有直接借鉴意义。