生成式推荐摆脱 Semantic ID:连续查询消除有限束搜索可达性缺陷
_reachsumit · x · 2026-10-12
论文指出社交媒体平台生成式推荐(GR)的通病:用有限宽度束搜索自回归解码离散 Semantic ID(SID)检索物品,会导致部分目标物品根本无法进入有限的返回列表(可达性约束),且需对齐离散 SID 词表与预训练主干的向量空间。
提出两种连续查询范式:
- CQG-Single:单次生成一个检索查询;
- CQG-AR:自回归生成连续残差更新,保留逐步解码但彻底移除 SID 词表、码本查找与离散束扩展。
两种方法都让所有编码物品可通过稠密或 ANN 检索直接打分。统一协议与合法前缀约束解码下,CQG-Single 在全部七次运行中超越 TIGER 风格基线,可训练参数仅为其 55.3%;CQG-AR 在 ML-1M 上表现相当,在 Beauty 和 Sports 数据集上数值更强。深度消融实验进一步验证设计。
「研究」频道最新
- 高维堆积沙盒:蒙特卡洛软球硬化成方块,逼近五维堆积纪录 — idanbeck · 2026-10-12
- willcb:除 RL 外的算法都是在用代理目标回避直接优化 — willcb · 2026-10-12
- Hugging Face 开源 Carbon-A：12 亿参数 DNA 模型标注基因编码区 — lmoroney · 2026-10-12
- 单卡 RTX PRO 6000 上 Qwen3.8-27B 位精确投机解码跑到 106 t/s — stargate425 · 2026-10-12
- 用 AI 智能体逆向工程并打补丁游戏:字节级比对验证输出正确性 — arpit_bhayani · 2026-10-12
- OpenAI 矩阵乘法论文引热议:组合数学胜过 Coppersmith-Winograd — basedjensen · 2026-10-12