标签
该论文提出了一套面向生成式推荐推理的整体优化流水线,利用树注意力(Tree Attention)及其他编译器级优化,消除冗余的 KV 缓存访问和主机端开销,无需定制内核,即可在昇腾 NPU 上将端到端延迟降至 vLLM 的最低 1/25。
RecMem 是一个循环记忆压缩框架,能够将长期的用户交互历史压缩到固定的记忆槽中,从而实现高效的生成式推荐。该方法仅使用 16 个记忆槽和 216 token 的解码器上下文,即可达到 HSTU-1200 在 Recall@10 指标上 87.9% 的性能表现。
JevRec受自然语言频率模式启发,将物品编码为可变长度的语义ID,并采用长度与内容预测的独立预测头,从而在基于LLM的生成式推荐中超越TIGER等基线方法。
论文提出 TGR-EvoDAG,一个基于有向无环图(DAG)的多智能体代码进化框架,用于生成式推荐流水线的自动演化,离线指标最高提升 37.4%,并在腾讯工业部署中带来 0.40% 的在线 CTR 提升。
该论文研究了生成式推荐模型在黑盒条件下对条件性定向数据投毒的脆弱性,提出 AlignPoison 框架,通过发现与解码对齐的上下文前缀,在注入不到 1% 恶意交互的情况下即可显著提升目标推广成功率。
本文提出 CQG-Single 与 CQG-AR 两种连续查询范式,消除基于语义 ID 的生成式推荐中有限宽度束搜索带来的可达性约束,并在多个数据集上超越 TIGER 风格基线。
Yandex Music 推出 Sona——一个单一的 Transformer,在生产环境 A/B 测试中取代了 15+ 个候选生成器、预排序器和排序器。它采用 History Compression(历史压缩)技术,将推理成本降低约一半,同时实现活跃用户 +4.53%、收听时长 +6.30% 的提升。
本文介绍了LIGE-GR,一种使用大型语言模型平滑地从传统排名过渡到生成式推荐系统的方法,旨在提升LLM时代的推荐性能。
本文提出了NarraLite,一个高效的多模态生成式推荐框架,它利用潜在叙事推理来改进剧集内容预测,以提高准确性和效率。
本文提出DASO,一种针对生成式推荐的树感知后训练方法,通过分析rollout组并根据前缀匹配深度重新分配,解决GRPO中的难度不匹配问题,在公开基准测试中提升性能。
本文提出GenCDSR,一种用于跨域序列推荐的生成式框架,采用混合分词与串并化解码,在准确率上优于现有最优基线,并将推理延迟显著降低。
本文系统性地研究了生成式推荐中的语义ID(SID),发现SID虽然保留了物品的粗粒度组织,但丢失了编码器中的细粒度局部结构。作者提出物品支持解码(ISD),一种轻量级的推理时方法,在无需额外参数或重新训练的情况下,将NDCG@10提升高达31.2%。
本文提出PauseRec,一种用于基于LLM的生成式推荐的轻量级隐式推理范式,其性能优于显式思维链方法,同时显著降低训练和推理成本。