一举两得：用单一生成式推荐模型统一检索与排序
信息检索
2025-04-24 v1
摘要
在推荐系统中，传统的多阶段范式（包括检索和排序）常常会因阶段之间信息丢失而影响性能。近期受自然语言处理中生成模型的启发，单一模型统一检索与排序的潜力日益被重视。本文提出了统一生成式推荐框架（UniGRF），一种新型方法，将检索与排序集成到单个生成模型中。通过将两个阶段视为序列生成任务，UniGRF 在不增加额外计算成本的前提下实现充分的信息共享，同时保持模型无关性。为增强阶段间协作，UniGRF 引入了排序驱动的增强模块，利用排序阶段的精度来细化检索过程，形成增强循环。此外，还嵌入梯度引导的自适应加权器，以动态平衡检索与排序的优化，确保性能同步提升。大量实验表明，UniGRF 在基准数据集上显著优于现有模型，证明其有效性。消融实验和进一步实验揭示，UniGRF 不仅促进了阶段间的高效协作，还实现了同步优化。UniGRF 为生成式推荐系统提供了一种有效、可扩展且兼容性强的框架。
引用
@article{arxiv.2504.16454,
title = {Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model},
author = {Luankang Zhang and Kenan Song and Yi Quan Lee and Wei Guo and Hao Wang and Yawen Li and Huifeng Guo and Yong Liu and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2504.16454},
year = {2025}
}
备注
This paper has been accepted at SIGIR 2025