语义遇信号: 面向生成式推荐的双码本表示学习
计算与语言
2025-11-27 v1 信息检索
摘要
生成式推荐最近涌现为一种强大的范式,统一了检索与生成,将物品表示为离散语义标记,并通过自回归模型实现灵活的序列建模。尽管取得了显著成功,现有方法依赖单一统一的码本对所有物品进行编码,忽略了热门物品丰富协同信号与依赖语义理解的长尾物品之间的内在不平衡。我们认为,这种统一处理方式限制了表示效率,并阻碍了泛化。为此,我们引入FlexCode,一种面向流行度的框架,可在协同过滤（CF）码本和语义码本之间动态分配固定的标记预算。一个轻量级的混合专家（MoE）动态平衡CF特定的精度与语义泛化,而对齐与平滑目标维持整个流行度谱系上的连贯性。在公共数据集和工业规模数据集上进行实验,表明FlexCode持续优于强大的基准方法。FlexCode为生成式推荐器提供了一种新的标记表示机制,实现更强的准确率和尾部鲁棒性,并为在基于标记的推荐模型中平衡记忆与泛化提供了新视角。
引用
@article{arxiv.2511.20673,
title = {Semantics Meet Signals: Dual Codebook Representationl Learning for Generative Recommendation},
author = {Zheng Hui and Xiaokai Wei and Reza Shirkavand and Chen Wang and Weizhi Zhang and Alejandro Peláez and Michelle Gong},
journal= {arXiv preprint arXiv:2511.20673},
year = {2025}
}