2026-06-25 日报

主题: 推荐即生成与序列意图建模:工业、学术双线推进

标签: semantic-id · industrial · ad-rec · rl

📊 统计: 共 2 篇 · 精读 1 · 🏢 工业界 1 · 🎓 学术 1 · generative-rec 1 · discriminative-rec 1

综述

今日收录 2 篇推荐系统论文,生成式推荐与判别式(序列)推荐各一,恰好对应一工业、一学术两条线。重点是快手的 RaG(Recommendation-as-Generation):它提出“解耦语义 ID”(D-SIDs,把内容与创意分离),让生成式推荐模型(GRM)预测的兴趣 ID 不再用于检索固定库存,而是经多智能体视频生成(VGAs)与跨域奖励学习 GDPO 解码为全新个性化视频,在 4 亿日活广告场景相比强 GRM 基线提升广告收入 1.87%,把“推荐即生成”从口号落到工业闭环。学术侧 S2-CAR 针对序列推荐中的兴趣漂移与僵化时间窗切分,用上下文感知软时间点过程(Soft-TPP)按潜在能量衰减切分意图边界,再以段数自适应多意图模块聚合为紧凑多兴趣表示,在 3 个公开数据集、13 个基线上一致超越 SOTA,且能量切分可即插即用。趋势上,语义 ID 正从“检索索引”升级为“生成条件”,生成式推荐与内容生成的边界进一步融合,是当前最值得关注的方向。

重点论文

RaG · ⭐ 8/10

Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale

🏢 Kuaishou · 生成式推荐

快手提出 Recommendation-as-Generation(RaG),用解耦语义 ID(D-SIDs)统一生成式推荐与个性化视频生成:GRM 预测的兴趣 D-SIDs 不再用于检索固定库存,而是解码生成全新个性化视频,配合多智能体 VGAs 与跨域奖励学习 GDPO,在 4 亿用户广告场景相比强 GRM 基线提升广告收入 1.87%。

S2-CAR · ⭐ 5/10

S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation

🎓 学术 · 判别式推荐

针对序列推荐中兴趣漂移与僵化时间窗切分问题,提出 S2-CAR:用上下文感知软时间点过程(Soft-TPP)按潜在能量衰减切分意图边界,再以段数自适应多意图抽取模块聚合为紧凑多兴趣表示。在 3 个公开数据集、13 个基线上一致超越 SOTA,能量切分可作即插即用模块。

全部论文