通过级联排序将推理引入生成式推荐
信息检索
2026-02-05 v2
摘要
生成式推荐（GR）已成为一种高FLOPS利用率的资源高效推荐方法。尽管其有效性显著，但我们指出当前GR模型存在严重的\textbf{偏置放大}问题，即随着标记生成进程的推进，标记级别的偏置会不断放大，从而限制推荐的多样性并损害用户体验。通过对比传统多阶段管道成功的关键因素，我们揭示了两种GR的局限性，这两种局限性会放大偏置：对编码历史的单一依赖，以及固定的计算预算限制了更深入的用户偏好理解。为缓解偏置放大问题，GR必须1) 纳入更多异构信息，2) 在每个标记生成步骤中分配更多计算资源。为此，我们提出了CARE——一种用于消除GR偏置的简单而有效的级联推理框架。为纳入异构信息，我们引入了渐进式历史编码机制，该机制在推理进程推进时逐步纳入越来越细粒度的历史信息。为分配更多计算资源，我们提出了以查询为锚点的推理机制，通过并行推理步骤来深入理解历史信息。我们在三个GR主干模型上实现了CARE。经四个数据集上的实验表明，CARE在推荐准确性、多样性、效率和可前景可扩展性方面均显示出优势。代码和数据集已提供于https://github.com/Linxyhaha/CARE。
引用
@article{arxiv.2602.03692,
title = {Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking},
author = {Xinyu Lin and Pengyuan Liu and Wenjie Wang and Yicheng Hu and Chen Xu and Fuli Feng and Qifan Wang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2602.03692},
year = {2026}
}
备注
Accepted by WWW2026