arXiv cs.AI· Ziluowen Luo, Ruochen Liu, Jun Yin, Hao Yan, Zhengxuan Hu, Xinze Shi, Chaozhuo Li, Chengqi Zhang, Senzhang Wang·· 13 小时前AI 评分22
复用预训练可解释特征作为生成式推荐词表：API 框架
The Vocabulary Is Already Here: Adapting Pretrained Interpretable Features for Generative Recommendation
AI 导读
研究者提出 API 框架，直接复用预训练稀疏自编码器暴露的 PLM 可解释特征索引作为生成式推荐的语义 ID 词表，无需额外词表学习。框架用 Pretrained Interpretable IDs 保留特征索引与相对激活强度以区分物品，并通过 Semantic Prediction Adapter 联合预测特征索引和强度来学习用户偏好。
正文 · AI 翻译
摘要：生成式推荐（GR）通过物品的语义 ID（SID）预测下一个物品。现有方法通常将 SID 词表拟合到物品描述的预训练语言模型（PLM）表示上，这会带来额外的训练成本，并使词表覆盖范围依赖于拟合领域。我们观察到，预训练稀疏自编码器所暴露的 PLM 特征带有人类可解释的语义标注，使得特征索引可以作为可复用的 SID 词表。然而，复用该词表需要在紧凑的 token 预算下保持物品之间的区分度，并学习在具有相同主导特征的候选中优先选择目标物品。此外，还需要将特征可解释性从物品内容扩展到检索决策。为应对这些挑战，我们提出 API，一个无需额外词表学习即可适配预训练可解释词表、以实现有效且可解释 GR 的框架。在 API 中，预训练可解释 ID（PID）保留所选特征索引及其相对激活强度，用于区分物品。以 PID 作为监督，语义预测适配器（SPA）通过联合预测特征索引和强度，从交互历史中学习用户偏好。SPA 结合两种预测对候选物品打分，并通过物品级监督促使观测到的下一个物品排名高于其他候选。API 进一步通过特征贡献及其预训练语义标注来解释候选得分差异。大量实验表明，API 在多种骨干网络和解码方案上均取得有竞争力的性能，同时在紧凑的 token 预算下保持物品区分度，并实现可解释检索。
| 评论： | 13 页，8 幅图，7 张表 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36763 [cs.IR] |
| （或 arXiv:2610.36763v1 [cs.IR] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.36763 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ziluowen Luo [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 07:19:35 UTC（1,808 KB）
来源：arXiv cs.AI · arxiv.org