arXiv cs.AI· Yu Sun, Renkai Xiang, Zuodong Xiang, Junwei Zhou, Yike Zhang, Jianxin Zhang, Zhihao Zhu, Xiaoyu Cao, Hailu Xu·· 6 天前AI 评分22
超越 Semantic IDs：生成式推荐中的有限束可达性与连续查询生成
Beyond Semantic IDs: Finite-Beam Reachability and Continuous-Query Generation in Generative Recommendation
AI 导读
研究提出 CQG-Single 与 CQG-AR 两种连续查询范式，去除 Semantic IDs 的 item-token 词表、码本查找和离散束扩展，从而消除有限束解码带来的可达性约束，并让每个编码物品可直接通过稠密或近似最近邻检索打分。
正文 · AI 翻译
摘要：社交媒体平台的生成式推荐（GR）通常通过有限宽度束搜索自回归解码离散语义 ID（SID）来检索物品。本文考察这种输出接口如何约束被留出的目标是否进入有限的返回列表，同时区分全目录可评分性与经验性 top-K 支持。我们引入两种连续查询范式：CQG-Single 在单次前向中生成一个检索查询，CQG-AR 自回归地生成连续残差更新，保留逐步解码，同时移除 SID 物品词元词表、代码查找和离散束扩展。这些设计由此消除了由有限束解码引起的 SID 特定可达性约束，并避免了将离散 SID 词表与预训练主干向量空间对齐的技术挑战。两种方法都使每个编码物品可通过稠密或近似最近邻检索直接评分。在采用有效前缀约束解码的统一协议下，CQG-Single 在所有七次运行中均超过 TIGER 风格基线，同时仅使用其 55.3% 的可训练参数。CQG-AR 在 ML-1M 上保持相当，在 Beauty 和 Sports 数据集上数值更强。一项受控深度消融进一步表明，额外的连续细化并不会单调提升浅层准确率。这些发现促使我们在评估生成式推荐系统时解耦输出表示、自回归建模和检索预算。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.12977 [cs.AI] |
| （或 arXiv:2610.12977v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12977 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yu Sun [查看电子邮件]
[v1]
2026年10月9日星期五 04:23:08 UTC（339 KB）
来源：arXiv cs.AI · arxiv.org