Huawei
RUC02 3.55
URecJPQ: Memory-efficient Multimodal Recommendation Models through RecJPQ in Large-Scale Scenarios
GlasgowBari
论文聚焦工业级推荐中 ID embedding 的内存瓶颈，多模态特征会进一步放大显存压力。作者提出 URecJPQ，把 RecJPQ 的联合乘积量化(Joint Product Quantization)扩展到大规模多模态 top-k 推荐：每个 user/item 不再用一份完整独立 embedding，而是用一组共享子 embedding 的拼接来表示，从而大幅压缩可训练参数。在 movies/baby/sports 三个数据集上，checkpoint 体积下降 86–98%、可训练参数下降 98–99%，平均 recall 仅下降 8.5%、NDCG 下降 16%，在 baby 商品域部分指标甚至提升最高 85%。
INSIGHT量化式 ID 表示与生成式推荐的 Semantic ID（item tokenization）同源：都用共享码本把海量 item 压成离散子单元。对短文本 UGC 搜索的启示是，召回/排序侧的 item 表示可用乘积量化压到原参数量的 1–2%，显著降低在线显存与 checkpoint 存储，代价是 NDCG 有可控损失，需按业务容忍度调码本粒度。该思路也为后续把 item 表示对接生成式解码(在码本上做 beam search)预留了空间。
Giuseppe Spillo, Zixuan Yi, Aleksandr Petrov, Cataldo Musto, Craig Macdonald, Iadh Ounis
arXiv·2026-06-23·Relevance 3 · Novelty 3 · Practical 4 · Evidence 4 · Timely 5
HKU
HIT
USTC