- 1. ReSID: Rethinking Long-Tail Retrieval in Generative Recommendation through Item Reachability · 📖 深度解读
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。他们还发现,把向量切成几段各自量化的并行 SID,比逐层量化残差的串行 SID 更照顾长尾,因为某一位出错不会连累后面几位…
出现于日报:11-16
- 2. TriGen: A Generative Paradigm for Trigger-Induced Recommendation · 📖 深度解读
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。阿里国际的 TriGen 把被点的商品复制几份接在历史末尾,让它主要改写最近的行为,再用门控按请求决定这次更听点击还是更听历史,并在解码每一位时都持续注入点击信号…
出现于日报:11-16
- 3. RecMem: Recurrent Memory Compression for Long-Sequence Generative Recommendation · 📖 深度解读
生成式推荐一旦把用户很长的历史直接送进模型,计算量和显存就会跟着历史长度一起涨,很长的交互序列很快变得又慢又贵。作者把历史一段一段压进数量固定的记忆槽,解码时只用固定长度的上下文,不再随历史变长而膨胀。在来自电商平台的长序列基准上,解码上下文从 1200 个 token 减到 216 个,仍保住了直接处理同样长历史的对照模型 87.9% 的 Recall@10,更靠后的召回也几乎相当…
出现于日报:11-17
- 4. From Tokens to Behaviors: Rethinking Generative Recommendation for User Trajectory Prediction · 📖 深度解读
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。TraGR 让每件商品的 SID 各位并行生成,商品之间用循环的状态来转移…
出现于日报:11-16
- 5. SimRec: Learning to Search, Ask, and Recommend from Simulated Interaction · 📖 深度解读
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…
出现于日报:11-16