2026-11-16 周一 · 生成式推荐

今日场景今天的生成式赛道都在补生成式推荐顺着历史续写 SID 时漏掉的东西。ReSID 发现长尾商品多半在解码早期就被 Beam Search 剪掉,于是在解码时就把长尾前缀留住。TriGen 处理点击一件商品后进入的推荐流,让这次点击按请求决定压过历史多少。TraGR 一次预测后面几步行为,把没选上的候选按概率一起传下去。SimRec 换了个方向,用模拟用户和强化学习训练推荐 agent 整段的搜、问、推,让它学会核对候选和被拒后补救。 — 评分 15 篇,入选 4 篇,分数 4.00 – 4.35

本期目录 · 4 篇
  1. 01ReSID: Rethinking Long-Tail Retrieval in Generative Recommendation through Item Reachability
  2. 02TriGen: A Generative Paradigm for Trigger-Induced Recommendation
  3. 03SimRec: Learning to Search, Ask, and Recommend from Simulated Interaction
  4. 04From Tokens to Behaviors: Rethinking Generative Recommendation for User Trajectory Prediction
LEAD STORY · 今日必读 · Alibaba / Nankai University

ReSID: Rethinking Long-Tail Retrieval in Generative Recommendation through Item Reachability

生成式推荐把商品编成一串 Semantic ID,再用 Beam Search 逐位生成,冷门的长尾商品很难被召回。作者把从编码到解码再到匹配的整条链路拆开查,发现长尾商品多半在解码早期就丢了:在 Amazon Industrial 上,才生成两位 token,62.5% 的长尾目标就已经掉出 beam。

相关 4新颖 4实用 5证据 5时效 4
4.35
综合分 / 5
偏好调整 4.65
Muyu Zou, Shunye Tang, Yi Xu, Haibo Xing, Yandong Wang, Lingyu Mu, Jinxin Hu · 2026-11-12 · arXiv

今日其余入选

3 篇 · 按综合排名
02 4.35

TriGen: A Generative Paradigm for Trigger-Induced Recommendation

AlibabaNankai University📖 深度解读 · 12 分钟 →

用户在主信息流里点了一件商品,马上进入跟着它展开的推荐流,这在电商里很常见。这时推荐既要接住刚才这一下点击的意图,又不能把用户长期的口味全丢掉。生成式推荐默认顺着历史往下续写 SID,一次点击很容易被长历史冲淡,传统的判别式打分又没法指导逐个 token 的生成。

Muyu Zou, Haibo Xing, Shunye Tang, Liyan Tie, Lingyu Mu, Yandong Wang, Jinxin Hu
arXiv·2026-11-12·Relevance 4 · Novelty 4 · Practical 5 · Evidence 5 · Timely 4
03 4.00

SimRec: Learning to Search, Ask, and Recommend from Simulated Interaction

Zhejiang UniversityTsinghua UniversityHikvision📖 深度解读 · 14 分钟 →

基于 LLM 的推荐 agent 能搜商品库、看商品详情、反问用户,被拒后还能换一个再推,但什么时候搜、什么时候问、什么时候推,多半是人写死的流程。已有的训练也只练改写 query 或给列表排序这类单步,整段对话的结果从来没回到做这些决定的策略上。作者发现,这样的 agent 很少核对搜到的候选,很少翻用户历史,被拒后也很难救回来,换更大的模型也补不上。

Yaxin Zhang, Xingyu Wu, Yuchen Yan, Yuqin Dai, Hong Zhao, Lixing Shen, Zhan Chen, Jian Shao 等 9 人
arXiv·2026-11-11·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 4
04 4.00

From Tokens to Behaviors: Rethinking Generative Recommendation for User Trajectory Prediction

KuaishouTongji UniversityCUHKFudan University📖 深度解读 · 12 分钟 →

多数推荐只猜用户下一步点什么,用户行为轨迹预测要一口气猜出接下来几步,比如买了跑鞋之后会依次买运动袜、水壶。生成式推荐逐个 token 生成每件商品的 SID 再接下一件,商品内部的编码和商品之间的转移搅在同一条链上。更麻烦的是,前一步只把选中的商品传下去:模型给袜子 50% 的概率、给跑鞋 35%,往后只看到袜子,跑鞋这条线索就丢了。

Jiaqi Wang, Hanchen Yang, Hengyu Zhang, Hongxu Ma, Wenqi Rao, Hongyang Wang, Zhongbo Sun 等 15 人
arXiv·2026-11-12·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 4

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 4 个项目