02 3.55
UNGER: Generative Recommendation with A Unified Code via Semantic and Collaborative Integration
Huawei该论文提出 UNGER，一种将语义知识和协同过滤知识统一编码的生成式推荐方法。现有方法通常分别生成语义 ID 和协同 ID，导致信息割裂和量化损失。UNGER 通过跨模态对齐和预测任务的联合优化，将两类知识融合到统一的离散编码中。同时引入模态内知识蒸馏，减少向量量化过程中的信息丢失。在 Amazon Sports、Yelp、Amazon Beauty 三个数据集上均取得了显著提升。
INSIGHTUNGER 的核心贡献在于打破了生成式推荐中语义 ID 和协同 ID 割裂的现状。在实践中，搜索推荐系统通常需要同时捕捉内容语义（文本、图像特征）和行为信号（点击、购买共现），UNGER 提供了一种在 token 级别统一这两类信号的思路。(1) 跨模态对齐的思路可借鉴到搜索场景中 query-doc 的多模态表征融合；(2) 模态内知识蒸馏解决了 RQ-VAE 量化损失问题，这是所有基于 Semantic ID 的生成式推荐系统面临的共性挑战；(3) Huawei 团队的参与暗示该方法可能已有工业验证基础。
Longtao Xiao, Haozhao Wang, Cheng Wang, Linfei Ji, Yifan Wang, Jieming Zhu, Zhenhua Dong, Rui Zhang,...
arXiv·2025-02-10·Relevance 4 · Novelty 4 · Practical 3 · Evidence 3 · Timely 1