2026-04-07 日报

主题: 生成式推荐的去偏、加速与检索增强

标签: generative-retrieval · semantic-id · diffusion · rl

📊 统计: 共 4 篇 · 精读 3 · 🏢 工业界 2 · 🎓 学术 2 · generative-rec 2 · discriminative-rec 2

综述

本期日报覆盖 2026-04-06 ArXiv 提交，共 4 篇推荐相关论文（3 篇精读 + 1 篇摘要归档）。三篇核心论文聚焦生成式推荐范式的关键瓶颈与对话推荐的检索增强。CRAB 从语义 token 化的角度剖析生成式推荐中的流行度偏差，指出不均衡的 codebook 会继承并放大历史交互的偏差，提出通过拆分过热 token 并引入树结构正则化保持语义一致性，是一项后处理去偏方案。FAVE 直面 flow-based 生成式序列推荐从纯噪声出发的效率短板，采用语义锚先验和全局平均速度加 JVP 一致性约束实现一步生成，在三个基准上取得 SOTA 并将推理效率提升约 20×。RAR_GPT 将检索增强与强化学习引入对话推荐，构建电影语料库并通过 LLM 反馈迭代更新 retriever，使检索与生成阶段对齐，减少幻觉。整体主题围绕生成式推荐的偏差治理、推理加速与检索-生成协同。

重点论文

FAVE · ⭐ 7/10

FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation

🎓 学术 · 生成式推荐

FAVE 通过 semantic anchor prior 与 average velocity + JVP 曲率约束，将生成式序列推荐压缩为单步 flow，在三个基准上同时实现精度提升与一个数量级的推理加速。

CRAB · ⭐ 7/10

CRAB: Codebook Rebalancing for Bias Mitigation in Generative Recommendation

🏢 Walmart · 生成式推荐

CRAB 通过正则化 K-means 拆分过热门 token 并配合层次语义对齐正则器，在不损失精度的前提下显著降低生成式推荐的流行度偏差。

RAR_GPT · ⭐ 6/10

Retrieval Augmented Conversational Recommendation with Reinforcement Learning

🏢 Google · 判别式推荐

提出RAR框架，通过两阶段检索增强（retriever + LLM generator）和在线强化学习偏好优化，对齐检索与生成阶段，在多个对话推荐基准上超越SOTA

全部论文