HiGR：通过层次规划和多目标偏好对齐实现高效生成式推荐

于红博

摘要: 石板推荐，在这种推荐中，用户同时被呈现一个排名列表，被广泛采用在在线平台。生成模型的最新进展在石板推荐中显示出潜力，通过自回归建模离散语义ID序列。然而，现有的自回归方法存在语义混乱的项目标记化和缺乏整体石板规划的低效顺序解码。为了解决这些限制，我们提出了HiGR，一种高效的生成式石板推荐框架，将分层规划与列表偏好对齐相结合。首先，我们提出了一个自编码器，利用残差量化和对比约束来将项目标记化为语义结构化的ID，以便进行可控生成。其次，HiGR将生成解耦为一个列表级规划阶段，用于全局石板意图，然后是一个项目级解码阶段，用于具体项目选择。第三，我们引入了一个列表偏好对齐目标，通过隐式用户反馈直接优化石板质量。在我们的大规模商业媒体平台上的实验表明，HiGR在离线评估和在线部署中都能持续改进。具体来说，在离线推荐质量方面，它的表现优于最先进的方法超过10%，推理速度提升5倍，同时在在线A/B测试中，进一步实现了平均观看时间和平均视频观看量增加了1.22%和1.73%。

更新时间: 2025-12-31 11:16:24

领域: cs.IR,cs.AI

下载: http://arxiv.org/abs/2512.24787v1