arXiv cs.AI· Ziwei Liu, Yejing Wang, Shengyu Zhou, Xinhang Li, Xiangyu Zhao·· 13 小时前AI 评分22
ComeIR：面向生成式推荐的条件记忆增强物品表示框架
Conditional Memory Enhanced Item Representation for Generative Recommendation
AI 导读
针对生成式推荐中 SID 表示阶段物品语义丢失与结构化 SID 关系建模不足的问题，研究者提出 ComeIR 框架，将 SID code 嵌入重建为物品感知输入并保留结构化 SID 证据。该框架包含物品引导的 Token Scoring、双层条件记忆与 Memory Merge，以及记忆恢复预测头。实验显示 ComeIR 有效且灵活，扩大条件记忆还能带来可扩展的收益。
正文 · AI 翻译
摘要：生成式推荐（GR）已成为一种有前景的范式，它通过自回归生成目标物品的语义标识符（SID）来预测目标物品。大多数 GR 方法遵循量化-表示-生成的流程。尽管大多数研究集中在量化和生成上，但连接两者的表示仍未被充分探索。现有的表示构建主要采取两种形式：要么直接将 SID 代码嵌入展平为序列，要么通过外部网络将其合并为紧凑向量。虽然有效，但它们仍暴露出两个实际挑战：\textbf{1）物品语义丢失：}量化或压缩过程中丢失的信息需要在表示阶段恢复。\textbf{2）对结构化 SID 关系的建模不足：}物品内代码组合模式和物品间前缀转移模式未被显式保留用于表示和后续的 SID 生成。
为克服这些挑战，我们提出 \textbf{ComeIR}，一个\textbf{\uline{Co}}nditional \textbf{\uline{me}}mory Enhanced \textbf{\uline{I}}tem \textbf{\uline{R}}epresentation 框架，它将 SID 代码嵌入重建为物品感知的输入，并为预测保留结构化的 SID 证据。物品引导的 Token 评分利用量化器所使用的物品嵌入来估计每个 SID 代码的贡献。双层条件记忆捕获物品内前缀组合和物品间前缀转移，而记忆合并将这些信号整合到每个历史物品表示中。记忆恢复预测头进一步以生成的前缀和历史转移证据为条件进行 SID 级预测。大量实验证明了 ComeIR 的有效性和灵活性，并进一步揭示了扩大条件记忆所带来的可扩展收益。
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.11447 [cs.IR] |
| （或使用 arXiv:2605.11447v2 [cs.IR] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2605.11447 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ziwei Liu [查看邮箱]
[v1]
2026年5月12日星期二 02:56:59 UTC（538 KB）
[v2]
2026年10月28日星期三 09:28:27 UTC（1,037 KB）
来源：arXiv cs.AI · arxiv.org