从头到尾：基于生成式语义 ID 的长尾推荐中的非对称知识转移
信息检索
2026-05-25 v1
摘要
由于严重的数据不平衡，现实世界电商平台中的长尾推荐仍然具有挑战性。现有方法通常难以将基于内容的多模态特征与协同信号相结合。这些方法中的许多还忽略了头部 ID 和尾部 ID 之间知识转移的一个重要不对称性：来自尾部 ID 的噪声信号会损害头部 ID 的表示学习。本文提出了 AKT-Rec，这是一个使用 LLM 生成的语义 ID 的长尾推荐中非对称知识转移的框架。AKT-Rec 使用经过监督微调的多模态 LLM（MLLM）将内容和协同信息对齐以生成项目和用户的语义表示。然后，它使用残差量化 VAE（RQ-VAE）将这些表示离散化为语义 ID，从而产生相似实体的语义聚类。AKT-Rec 有两个主要组件：(1) 聚类引导自适应嵌入，将每个 ID 表示分解为捕获共享语义的聚类级嵌入和个体嵌入。通过非对称对比目标和活动感知门控机制，该模块将知识从头 ID 转移到尾 ID。(2) 分层特征聚合，构建并行特征视图并自适应融合它们，以优化具有不同活动水平样本的预测。在大规模工业数据集上的大量实验和 Alibaba Tmall 平台上的在线 A/B 测试证明了 AKT-Rec 的有效性。AKT-Rec 在 AUC 上将离线性能提高了 0.35%，在 GAUC 上提高了 1.53%，优于几个有竞争力的基线。在在线 A/B 测试中，AKT-Rec 实现了 CTR 增加 2.76% 和 GMV 增加 3.47%，验证了其在实际生产环境中的实用性。
引用
@article{arxiv.2605.23310,
title = {From Head to Tail: Asymmetric Knowledge Transfer in Long-tail Recommendation with Generative Semantic IDs},
author = {Chenyi Yan and Ruocong Tang and Xing Fang and Yang Huang and He Guo and Jing Wang},
journal= {arXiv preprint arXiv:2605.23310},
year = {2026}
}
备注
5 pages, 1 figure