arXiv cs.AI· Tripti Shukla, Shwetha Somasundaram, Akshat Gupta, Rohit Garg, Paul Duff, Ian Anderson·· 3 天前AI 评分20
HASTE：面向生成式推荐的分层与属性感知监督框架
HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
AI 导读
HASTE 是一个面向生成式推荐模型的统一训练框架，通过分层损失和属性特定损失，在语义 ID 的每一层级提供监督并保留细粒度物品属性。其分层损失收敛速度约为标准因果交叉熵目标的 2 倍，并在时尚推荐基准和 Amazon 数据集多个领域上提升了推荐性能，尤其改善了长尾物品的推荐效果。
正文 · AI 翻译
摘要：生成式推荐模型通过将物品表示为语义 ID 并自回归地生成这些 ID，已展现出令人期待的效果。我们提出一种方法，表明将分层和属性级监督显式地纳入生成式推荐，可以同时提升训练效率和长尾推荐性能。现有方法通常使用标准的因果交叉熵目标来优化语义 ID 预测，这并未显式利用语义 ID 的分层结构，并且可能需要大量训练才能学到有效的物品表示。此外，数据稀疏的长尾物品由于监督有限，往往表示质量较差，导致长尾推荐性能较弱。我们通过 HASTE（Hierarchical and Attribute-aware Supervision for generaTive rEcommendation，面向生成式推荐的分层与属性感知监督）来应对这些挑战，这是一个统一的训练框架，引入了分层监督和属性特定监督。HASTE 的分层损失显式利用语义 ID 的多级结构，在物品层级的每一级提供监督，并显著加速训练收敛。其属性特定损失鼓励模型保留细粒度的物品属性，利用语言模型固有的语义知识来改善长尾物品的表示和推荐。我们在一个时尚推荐基准以及 Amazon 数据集的多个领域上对 HASTE 进行了广泛评估。HASTE 在不同数据集和物品频率区间上均提升了推荐性能。值得注意的是，分层损失相比标准因果交叉熵目标实现了约 2 倍的收敛速度，在保持强劲推荐质量的同时显著提升了训练效率。
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17368 [cs.IR] |
| （或使用 arXiv:2610.17368v1 [cs.IR] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.17368 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Tripti Shukla [查看邮箱]
[v1]
2026年10月12日星期一 20:25:50 UTC（635 KB）
来源：arXiv cs.AI · arxiv.org