LQ-Rec:把量化推迟到最后,语义 ID 越长排序反而越好
_reachsumit · x · 2026-11-20
UCSD/铃木等研究者的论文 LQ-Rec 针对生成式推荐(Generative Retrieval)的结构性瓶颈:自回归范式下,更长的语义 ID 虽降低量化误差,却会拖累排序质量并带来二次方内存开销。
方法是把离散化限制在流程的输出侧——编码器与打分在连续空间进行,物品则以端到端训练的残差量化器生成的语义 ID 存储与匹配。这一架构转变带来了量化致排序损失的可加误差分解与成对排序定理等结构化保证。在四个公开基准上,LQ-Rec 实现排序质量随语义 ID 长度单调提升并超越基线;单一模型支持「随时压缩」,无需重训练即可在排序质量与推理成本间调节;在记忆/泛化划分上泛化更优。
「研究」频道最新
- ICLR 2027 大批量 desk reject:审稿人未提交 AI 使用声明表 — algo_diver · 2026-11-20
- Chorus 论文:共享 n-gram 嵌入表缩小 87%,性能反超 DeepSeek Engram — brown2green · 2026-11-20
- NeurIPS 论文发布可合成生成的概念瓶颈模型基准,揭示新失败模式 — berkustun · 2026-11-20
- Inhabitant:LLM 智能体零训练完成 74/75 长程家居交互任务 — Yao Zhang · 2026-11-20
- EPFL 团队发布统一 3D 生成模型,一次完成药物设计对接 — HannesStaerk · 2026-11-20
- ICLR27 分数分布:4 万篇投稿中均分 3.0 仅排前 14% — May_F1_ · 2026-11-20