Towards a Densing Law for User Representation Learning at Billion-Scale Capacity

• 类型：arxiv
• 标识：2608.23392
• 链接：https://arxiv.org/abs/2608.23392
• 主分类：llm-infra
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：The proposed User Behavioral Densing Law is proposed, providing practical guidance for tokenization configuration selection in large-scale user representation learning and ALGN, an adaptive variable-length tokenization method that improves capacity allocation, is developed.
• OpenAlex ID：W7204214481
• OpenAlex DOI：10.48550/arxiv.2608.23392
• DOI：10.48550/arxiv.2608.23392
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2608.23392
• OpenAlex更新：2026-08-31
• 待LLM分类：否
• 标题中文：迈向十亿级容量用户表示学习的稠密定律
• TLDR中文：本文提出 User Behavioral Densing Law，为大规模用户表示学习中的 tokenization 配置选择提供实用指导，并开发了 ALGN——一种自适应变长 tokenization 方法，可改善容量分配。
• 成熟度：research
• 场景：representation-learning、scaling-law
• 来源文件：
• /inbox/tom/_candidates/2026-08-25-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]