НаправлениеGEN

Генерация и семантические коды

Генеративные модели выдают не готовую выдачу, а код, намерение или структуру страницы. Качество решает не только декодер: важно, что именно закодировано и как код связан с поведением.

37 материалов с этим тегом · 27 с этой темой в качестве главной · в каталоге →

1. 01

   Реконструкция, иерархия и соседство решают разные задачи

   CoFiRec задаёт порядок атрибутов явно, TopoTok сохраняет топологию представлений, а SCRec добавляет коллаборативных соседей уже на вход токенизатора. Эти подходы не взаимозаменяемы: смысловая иерархия облегчает декодирование, но не гарантирует достаточности кода для предсказания поведения. Диагностическая работа о противоречиях SID требует проверять именно downstream-качество, а не только реконструкцию или заполненность кодбука.

   • CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
   • Topology-Aware Tokenization for Generative Recommendation
   • Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation
   • Codebook-Based Semantic IDs in Generative Recommendation: Enabling Interface, Emerging Bottleneck
2. 02

   Ускорять можно дерево, декодер или порядок восстановления

   BONSAI меняет ветвление и длину идентификаторов, CoSID выносит историю в кэшируемый концепт, а MDGR восстанавливает коды с постепенным переходом к параллельности. PROMISE, напротив, расходует дополнительный бюджет на оценку префиксов. Это разные компромиссы: уменьшение стоимости шага не гарантирует сохранения нужной ветви, а более широкий поиск бесполезен, если модель рано теряет целевой префикс.

   • Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation (BONSAI)
   • CoSID: Concept-Conditioned Semantic-ID Decoding for Efficient Generative Recommendation
   • MDGR: Masked Diffusion Generative Recommendation
   • PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations
3. 03

   Генерируемый объект задаёт смысл всей системы

   GenPage создаёт структуру страницы, NextGen переставляет уже найденных кандидатов, а DPGR генерирует намерение для последующего векторного поиска. Поэтому результаты нельзя читать как соревнование одинаковых генераторов товаров. Меняются доступный пул, ограничения и единица награды; улучшение по обучавшей reward-модели или относительно другого каскада ещё не изолирует преимущество самой генерации. MAMGR делает пользовательскую смесь целей общей для генератора перестановок и оценщика: согласовать два этапа важнее, чем назвать оба генеративными. DCD-XRec генерирует совсем другой объект — переносимое пользовательское представление; его абляция показывает провал обучения только на искусственных целях без реальной опоры. Ни одна из этих работ сама по себе не подтверждает преимущество генерации товарных кодов по всему каталогу.

   • GenPage: Towards End-to-End Generative Homepage Construction at Netflix
   • NextGen: A Multi-Objective Generative Re-ranking Framework for Taobao Recommendation
   • DPGR: Dual-Domain Spatiotemporal Generative Retrieval for Intent-Aware Local Life Service Recommendation
   • A Unified Generative Re-ranking Framework with Adaptive Multi-objective Fusion
   • Dual Conditional Diffusion for Generative Cross-Domain Recommendation via Disentangled Knowledge Transfer

Работы по теме

1. 004

   Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation

   #Генерация и семантические коды#Коллаборативность и геометрия представлений
2. 006

   Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation (BONSAI)

   #Генерация и семантические коды#Языковые модели, диалог и агенты
3. 012

   Coarse-to-Fine Long-term Interest Modeling for Generative Recommendation

   #Генерация и семантические коды#История, время и последовательности
4. 016

   DPGFlow: Decoupled Preference Guided Flow Matching for Cross Domain Sequential Recommendation

   #Генерация и семантические коды#Домены, группы и мультимодальные задачи#История, время и последовательности
5. 017

   DPGR: Dual-Domain Spatiotemporal Generative Retrieval for Intent-Aware Local Life Service Recommendation

   #Генерация и семантические коды#Домены, группы и мультимодальные задачи
6. 021

   Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding

   #Генерация и семантические коды#Домены, группы и мультимодальные задачи
7. 030

   Generating Personalized Images for Sparse-Interaction Users with Uncertainty-Aware Retrieval and Dense Knowledge Guidance

   #Домены, группы и мультимодальные задачи#Генерация и семантические коды
8. 031

   Give the Long-tail More SPACE: Promoting Provider Fairness in Next POI Recommendation

   #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи#Генерация и семантические коды
9. 033

   CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation

   #Генерация и семантические коды#Коллаборативность и геометрия представлений
10. 039

    MaskPoison: Intent-Guided Poisoning Attacks on Sequential Recommendation via Masked Discrete Diffusion

    #Контроль, объяснения и интересы участников#Генерация и семантические коды#История, время и последовательности
11. 041

    Not All Branches Are Equal: Adaptive Semantic ID Construction for Generative Recommendation

    #Генерация и семантические коды
12. 048

    SAGE: Sequence-level Adaptive Gradient Evolution for Generative Recommendation

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
13. 059

    Topology-Aware Tokenization for Generative Recommendation

    #Генерация и семантические коды#Коллаборативность и геометрия представлений
14. 061

    UniRec: A Unified Expressive-Aligned Generative Recommendation Framework for E-commerce

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
15. 067

    Beyond Index-Only RoPE: Integrating Time and Order for Generative Recommendation

    #История, время и последовательности#Генерация и семантические коды
16. 073

    Distribution-Level Contrastive Supervision for Generative Recommendation

    #Генерация и семантические коды#Коллаборативность и геометрия представлений
17. 074

    Dual Conditional Diffusion for Generative Cross-Domain Recommendation via Disentangled Knowledge Transfer

    #Генерация и семантические коды#Домены, группы и мультимодальные задачи#Коллаборативность и геометрия представлений
18. 096

    Codebook-Based Semantic IDs in Generative Recommendation: Enabling Interface, Emerging Bottleneck

    #Генерация и семантические коды#Оценка, причинность и достоверность вывода
19. 119

    A Unified Generative Re-ranking Framework with Adaptive Multi-objective Fusion

    #Генерация и семантические коды#Промышленное ранжирование и стоимость#История, время и последовательности
20. 133

    FLUID: From Ephemeral IDs to Multimodal Semantic Codes for Billion-Scale Livestreaming Recommendation

    #Промышленное ранжирование и стоимость#Генерация и семантические коды#Домены, группы и мультимодальные задачи
21. 139

    GenPage: Towards End-to-End Generative Homepage Construction at Netflix

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
22. 140

    Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap

    #Генерация и семантические коды#Домены, группы и мультимодальные задачи
23. 144

    Hypothesis-Driven Shelf Generation for Personalised Recommendation

    #Языковые модели, диалог и агенты#Генерация и семантические коды#Промышленное ранжирование и стоимость
24. 154

    MDGR: Masked Diffusion Generative Recommendation

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
25. 163

    NextGen: A Multi-Objective Generative Re-ranking Framework for Taobao Recommendation

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
26. 164

    PLAIN: An Explainable Generative Search System Enhanced by Multi-granularity Semantic Alignment

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
27. 166

    PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
28. 175

    Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models

    #Промышленное ранжирование и стоимость#Генерация и семантические коды#История, время и последовательности
29. 181

    Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation

    #Генерация и семантические коды#Коллаборативность и геометрия представлений
30. 185

    Tokens are All You Need: Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in Recommendation Systems (SiDec)

    #Промышленное ранжирование и стоимость#Генерация и семантические коды
31. 187

    Towards Generalizable and Efficient Large-Scale Generative Recommenders

    #Генерация и семантические коды#Промышленное ранжирование и стоимость#История, время и последовательности
32. 191

    UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
33. 193

    UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale

    #Промышленное ранжирование и стоимость#Генерация и семантические коды#История, время и последовательности
34. 201

    CoSID: Concept-Conditioned Semantic-ID Decoding for Efficient Generative Recommendation

    #Генерация и семантические коды#Промышленное ранжирование и стоимость
35. 204

    Do SID Alignments Help Generative Recommendation? A Research and Practice Note on OpenOneRec Diagnostics

    #Генерация и семантические коды#Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
36. 206

    Don't Waste the Last Token: A Quantizer-Agnostic Quality Boost from Semantic ID Collision Resolution

    #Генерация и семантические коды
37. 214

    PCP-Decoding: Training-Free Personalized Category-Relative Popularity Calibration for Generative Retrieval

    #Контроль, объяснения и интересы участников#Генерация и семантические коды