生成式召回——论文精读笔记合集
Published:
生成式召回（Generative Retrieval）指的是利用生成式模型直接“预测/生成”用户可能感兴趣的候选项，而不是依赖传统的向量检索或基于特征匹配的召回机制。
本部分将持续更新生成式召回相关工作的精读笔记：
- 生成式召回 —— SASRec 精读笔记（2018）
- 生成式召回 —— Google TIGER 精读笔记（2023）
Luning Wang
- Ann Arbor, US
- University of Michigan
- ResearchGate
- Github
- Google Scholar
You May Also Enjoy
生成式排序——论文精读笔记合集
less than 1 minute read
Published:
生成式排序（Generative Ranking）是一类借助生成式模型思想来解决排序问题的推荐策略，它通常在训练阶段采用“预测下一个行为”等生成式任务作为目标之一，结合传统的目标如CTR分数预测等，在训练阶段让模型学会预测“用户针对给定目标物品会有什么反应”。在推理阶段则本实际上还是一个分数预测器，本质上可以理解为利用Transformer架构建模用户历史并和目标物品做交叉，从而在深刻理解用户兴趣的情况下作出预测，和传统DLRM在推理阶段的表现其实差不多。
推荐系统超长序列建模——论文精读笔记合集
less than 1 minute read
Published:
长序列建模（Long-Sequence Modeling）旨在有效捕捉用户的长短期兴趣与行为演化模式，突破传统短序列方法对历史行为长度的限制。一般的推荐模型仅能建模长度为几百的用户行为序列，面对长度上万甚至数十万的长期行为序列时计算开销通常难以接受。长序列建模相关工作则通过各种策略在计算效率和用户兴趣捕捉精读之间达到平衡，从而能够处理长达数万的“用户终身行为序列”。
端到端生成式推荐——论文精读笔记合集
less than 1 minute read
Published:
端到端生成式推荐（End-to-End Generative Recommendation）试图将召回、排序甚至重排统一为一个整体生成过程。该范式不再显式区分多阶段 pipeline，而是通过统一的序列建模与端到端训练目标，让模型在一个框架内同时学习候选选择与排序决策，从而减少阶段割裂带来的误差传递问题，并为大规模预训练与 Scaling 提供更自然的技术路径。