通过集成利用ID与文本互补性进行序列推荐
机器学习
2026-01-06 v2
摘要
现代序列推荐(SR)模型通常利用模态特征来表示物品，这在很大程度上受到语言和视觉建模最新进展的推动。为此，一些工作完全用模态嵌入替换ID嵌入，声称模态嵌入使ID嵌入变得不必要，因为它们可以匹配甚至超过ID嵌入的性能。另一方面，许多工作联合利用ID和模态特征，但认为复杂的融合策略（如多阶段训练和/或复杂的对齐架构）对于这种联合利用是必要的。然而，这两类工作的基础都缺乏对ID和模态特征互补性的理解。在这项工作中，我们通过研究基于ID和基于文本的SR模型的互补性来弥补这一空白。我们表明，这些模型确实学习了互补信号，这意味着当与另一种模型适当结合使用时，任何一种模型都应带来性能提升。受此启发，我们提出了一种新的SR方法，该方法通过独立模型训练保持ID-文本互补性，然后通过简单的集成策略加以利用。尽管该方法简单，但我们表明它优于几个具有竞争力的SR基线，这意味着ID和文本特征对于实现最先进的SR性能都是必要的，但复杂的融合架构则不是。
引用
@article{arxiv.2512.17820,
title = {Exploiting ID-Text Complementarity via Ensembling for Sequential Recommendation},
author = {Liam Collins and Bhuvesh Kumar and Clark Mingxuan Ju and Tong Zhao and Donald Loveland and Leonardo Neves and Neil Shah},
journal= {arXiv preprint arXiv:2512.17820},
year = {2026}
}