arXiv cs.CL· Qiyong Zhong, Jiajie Su, Ming Yang, Li Zhang·· 13 小时前AI 评分22
JevRec：面向 LLM 生成式推荐的语言编码与类 Jev 决策建模
JevRec: Linguistic Encoding with Jev-like Decision Modeling for LLM-based Generative Recommendation
AI 导读
JevRec 提出用可变长度词编码物品的生成式推荐方法，为高频物品生成更短 SID、为长尾物品保留更丰富描述，并用独立长度预测头与内容生成头共享交互历史表示。在三个公开数据集上，JevRec 在所有评测推荐指标上均优于对比基线，训练与推理时间低于 TIGER，并降低了长度与内容预测间的梯度冲突。
正文 · AI 翻译
摘要：生成式推荐（GR）将物品表示为语义标识符（SID），并根据交互历史自回归地生成下一个物品的 SID。然而，大多数方法为所有物品分配相同的 SID 长度，尽管交互频率高度不均。这种统一设计使热门物品反复承担细粒度编码的开销，而缩短编码以降低该开销又会压缩长尾物品的语义表示。受自然语言中高频表达采用紧凑形式的启发，我们提出 JevRec，将物品编码为变长词，并从交互上下文生成下一个物品。语言式编码从共享码本中保留依赖频率的语义前缀，从而为热门物品生成更短的 SID，为长尾物品提供更丰富的描述。然而，预测序列级长度与生成词元级内容提出了不同的优化要求，在共享输出头下可能相互冲突。因此，我们类似 Jev 的决策建模组件使用专用头预测长度分布，并通过单独的头在给定长度条件下生成内容，同时共享交互历史表示。在三个公开数据集上的实验表明，JevRec 在所评估的推荐指标上优于所有对比基线。进一步分析显示，其训练和推理时间低于 TIGER，且长度预测与内容预测之间的梯度冲突有所减少。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.36937 [cs.CL] |
| （或 arXiv:2610.36937v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36937 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Young Zhong [查看电子邮件]
[v1]
2026年10月27日星期二 09:59:44 UTC（2,376 KB）
来源：arXiv cs.CL · arxiv.org