从过去到路径：基于遮蔽历史学习的生成式推荐中的下一项预测
信息检索
2026-04-24 v2 计算与语言
摘要
直接生成物品标识符的生成式推荐已成为推荐系统的一个有前景的范式。然而，其潜力基本受限于依赖纯自回归训练的局限性。这种方法仅关注预测下一个物品，却忽略了用户交互历史中丰富的内部结构，因而无法把握背后的意图。为此，我们提出遮蔽历史学习（MHL），一种新的训练框架，将目标从简单的下一步预测转向对历史的深层理解。MHL在标准自回归目标之上增添了一个重建被遮蔽历史物品的辅助任务，迫使模型理解“为何”会从用户过去的行为中形成物品路径，而不仅仅是“下一个”是什么物品。我们引入两个关键改进来增强该框架：（1）基于熵的遮蔽策略，智能地针对最具信息性的历史物品进行重建；（2）课程学习调度器，逐步过渡从历史重建到未来预测。在三个公开数据集上的实验表明，我们的方法在显著优于最先进的生成式模型的同时，突显了对过去的全面理解对于准确预测用户未来路径的重要性。
引用
@article{arxiv.2509.23649,
title = {From Past To Path: Masked History Learning for Next-Item Prediction in Generative Recommendation},
author = {KaiWen Wei and Kejun He and Xiaomian Kang and Jie Zhang and Yuming Yang and Li Jin and Zhenyang Li and Jiang Zhong and He Bai and Junnan Zhu},
journal= {arXiv preprint arXiv:2509.23649},
year = {2026}
}
备注
Accepted to ACL 2026