EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation
Tuan-Binh Tran, Thanh Tam Nguyen, Quoc Viet Hung Nguyen, Dung D. Le, Tung Kieu, Thanh Trung Huynh
cs.IR, cs.LG
2026-09-03
EPIC 在语义 ID 扩散推荐的每步去噪里显式比较可行候选物品,把物品后验投影回未解析 token 位,四个亚马逊基准 16 项指标全部第一,延迟只增三成。
语义 ID 生成式推荐的最新进展是掩码扩散:不再从左到右逐 token 生成,是从全掩码状态迭代去噪,双向上下文加按置信度解位置。但决策接口仍是 token 级的,模型在「这一位该填哪个码」上做判断,而推荐最终要选的是一个完整物品。
关键观察:去噪中途的部分语义 ID 已经把目录收缩成一个可行候选集(所有 SID 与已解位置一致的物品)。每敲定一个 token 同时就是一次物品级淘汰。一个局部合理的 token 可能把最优物品踢出可行集,踢出去就再也回不来,事后重排也救不了。token 级证据最有价值的时机,是候选还在竞争、还可达的时候。
EPIC(显式后验物品条件化)把物品级竞争显式地塞进去噪循环:
训练只更新 0.39M 参数的适配器,主干完全冻结,监督集中在 2 到 M 个候选真正竞争的「识别前沿」状态上。
四个亚马逊品类(Beauty、Sports、Toys、Musical),16 项数据集-指标组合全部第一,相对次优提升 1.2%-16.8%,最大涨幅集中在 NDCG:Toys 的 N@5 +16.8%、N@10 +14.1%。全部经 Holm 校正后 p<0.05。
机制验证比主表更有说服力。同一个打分器,放进每步去噪(inline)对比只在生成完后重排(post-hoc),NDCG@5 差 15.7%-26.8%。追查目标物品轨迹:inline 恢复的 top-5 命中比丢掉的多 154/231/253 个(三数据集),其中 25/48/49 个目标在对照组的最终候选池里完全不存在——这类救回靠任何事后重排都不可能。换成别人的历史,掉 12.4%-17.9%;只打乱时间顺序,掉 1.5%-4.1%。
| 项 | LLaDA-Rec | EPIC | 变化 |
| 适配器训练参数 | 6.847M | 0.391M | -94.3% |
| 推理延迟(ms/用户) | 93.0 | 124.8 | +34.2% |
这是对「生成式推荐的 token 接口够不够」这一讨论的正面回答:SimGR 直接放弃生成改打分,Gryphon 在生成后重排,ISD 在生成前定排序,EPIC 证明证据该介入的时机在去噪过程中间。冻结主干加轻量适配器的形态也意味着可以套在任何掩码扩散推荐器上。对做检索系统的人,「部分前缀定义可行集、每步显式比较完整候选」这个模式不限于推荐。
可行候选集靠全目录精确扫描(复杂度 O(|I|·H)),论文承认大规模要换倒排索引或近似候选构造。候选预算 M 截断时后验只覆盖支持集,虽然监督被限制在完整集状态来规避,推理时的截断偏置没有完全消掉。tokenizer 冲突(多物品共享一个 SID)时 EPIC 不做消歧,这是自认的未解决问题。实验规模是四个中等品类(1.2-2.5 万物品),训练只跑 8000 步、隐藏维 256,属于研究级配置;工业目录上的行为没有证据。延迟增加 34% 在某些在线场景仍可观。