现代工业排序系统逐渐采用生成式推荐（GR）范式，使用 Transformer‑style 主干将用户行为序列和非序列特征统一 token 化并共同建模。该统一形式能够灵活处理长历史和异构特征，但序列表示与非序列表示往往语义不对称：历史表示混合了环境上下文和已观察到的动作语义，而候选侧的非序列表示缺少已观察动作，却包含更丰富的补充上下文，如用户‑物品交互特征和近期行为列表。直接在这些不对称的表示上做 query‑key 点积会比较不同语义对象，削弱跨 token 的有效交互。为了解决此问题，本文提出 EASformer——一种面向工业应用的环境‑动作‑状态解耦架构。EASformer 在历史 token 与候选非序列 token 之间构建显式对齐的环境空间，并将用户动作从历史 token 中解耦，同时将候选特定的上下文保留在非序列 token 中。基于该对齐空间，模型实现了历史动作的互补检索以及状态条件下的动作预测。解耦设计还支持 Cloze‑style 自监督目标：通过掩码历史动作并复用候选预测路径进行训练。实验在真实工业应用市场的离线基准上取得 0.89411 的 AUC，较部署基线提升 0.88% 的相对增益；在线 A/B 测试在两个排序场景中分别带来 1.26% 和 3.94% 的 eCPM 相对提升。
点评