论文
登录后可查看剩余解析次数。
标签筛选
生成式推荐系统
OxygenREC: An Instruction-Following Generative Framework for E-commerce Recommendation
发表：2025/12/27
生成式推荐系统多阶段优化目标指令引导检索深度推理能力场景信息可控指令
OxygenREC是一个面向电商的推荐系统，采用快慢思维架构进行深度推理，以解决传统生成式推荐中的多阶段优化不一致和场景训练独立的问题。通过引入语义对齐机制与指令引导检索，OxygenREC提升了推荐的生成质量，同时满足低延迟与高效资源利用的实际需求。
02
DiffuRec: A Diffusion Model for Sequential Recommendation
发表：2023/4/3
扩散模型序列推荐不确定性注入基于分布的物品表示序列推荐系统生成式推荐系统
本文首次将扩散模型应用于序列推荐，提出DiffuRec，以分布形式建模物品表示，从而灵活反映用户多重兴趣和物品多样化特性。通过噪声添加，目标物品嵌入被转化为高斯分布，促进了不确定性注入和物品表示重建，实验证明效果显著。
02
Recommender Systems with Generative Retrieval
发表：2023/5/9
生成式推荐系统基于语义ID的推荐模型Transformer序列到序列模型近似最近邻搜索用户行为预测
本文提出了一种新颖的生成式检索方法，通过自回归解码目标候选的语义ID，以提升推荐系统的性能。基于Transformer的序列模型可有效预测用户下一个互动的物品。实验显示，该方法在多数据集上超过了现有的最先进模型，并增强了对新物品的检索能力。
02
Learning Decomposed Contextual Token Representations from Pretrained and Collaborative Signals for Generative Recommendation
发表：2025/8/23
生成式推荐系统上下文标记表示学习大语言模型优化序列到序列建模用户交互建模
本研究提出了DECOR框架，以解决生成推荐系统中的静态标记化及丢弃预训练语义的问题。通过引入上下文词元组合和分解嵌入融合，DECOR能够在提高词元嵌入适应性的同时保留预训练的语义知识。实验显示，DECOR在真实数据集上的推荐性能优于现有最佳方法。
02
HiD-VAE: Interpretable Generative Recommendation via Hierarchical and Disentangled Semantic IDs
发表：2025/8/7
生成式推荐系统层次化语义ID可解释生成推荐解耦表示学习唯一性损失机制
推荐系统在现代在线平台中不可或缺。本文提出的HiDVAE框架通过分层解缠结物品表示，利用分层监督量化和唯一性损失机制，解决传统生成式推荐方法的扁平性和表示纠缠问题，从而提高推荐的准确性和多样性。
01
TokenRec: Learning to Tokenize ID for LLM-based Generative Recommendation
发表：2024/6/15
大语言模型推荐系统生成式推荐系统用户项ID标记化Masked Vector-Quantized TokenizerLLM高阶协作知识捕获
本文提出新框架TokenRec，旨在提升基于大型语言模型（LLM）的推荐系统。通过掩蔽向量量化器（MQ Tokenizer）有效地将用户和物品进行ID词元化，并引入生成式检索方法，从而捕获高阶协同知识，提升推荐精度并缩短推理时间，实验表明TokenRec优于传统推荐系统与新兴LLM方案。
01
Inductive Generative Recommendation via Retrieval-based Speculation
发表：2024/10/4
生成式推荐系统无训练加速方法在线推荐系统优化序列推荐系统图像生成
本文提出了，一种基于检索的归纳式生成推荐框架，旨在弥补生成式推荐模型在推荐未见物品时的不足。通过引入具有归纳能力的草拟模型来提出候选物品，并由生成式模型进行验证，显著提升了推荐精准度和性能。
03
Pre-training Generative Recommender with Multi-Identifier Item Tokenization
发表：2025/4/6
生成式推荐系统多标识符项标记化课程学习推荐预训练RQ-VAE作为标记器低频项语义建模
本文提出了MTGRec框架，通过多标识符物品词元化增强生成式推荐器的预训练数据。创新点包括使用残差量化变分自编码器作为词元化器，将每个物品与多个标识符关联，结合课程学习动态调整数据组的采样概率，有效提高低频物品的语义建模和词元序列数据的多样性。
02
A Survey of Generative Recommendation from a Tri-Decoupled Perspective: Tokenization, Architecture, and Optimization
生成式推荐系统模型优化方法推荐系统架构标记化技术
本综述分析了生成式推荐系统的三个关键方面：分词、架构和优化。它指出，生成式方法能有效缓解错误传播，提高硬件利用率，并超越局部用户行为的限制。通过追溯分词演变，探讨了当前生成系统发展面临的挑战与机遇。
024
Masked Diffusion for Generative Recommendation
发表：2025/11/28
生成式推荐系统标签扩散模型语义ID建模序列推荐系统自回归建模
本文提出了一种新的生成式推荐方法——掩蔽扩散生成推荐（MADRec），通过离散掩蔽噪声对用户交互序列中的语义ID（SID）进行建模。该方法克服了传统自回归模型高推理成本及低数据利用效率的问题，实验表明MADRec在性能上优于自回归模型，尤其在数据受限和粗粒度召回场景中表现显著。
010
CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
发表：2025/11/28
生成式推荐系统细粒度用户偏好建模自主回归推荐生成粗到细语义分层公共基准数据集测试
本论文提出了生成式推荐框架CoFiRec，结合物品语义的粗粒度到细粒度特性，改进了用户历史的词元化过程。CoFiRec通过分层处理物品信息，从类别到详细描述，增强了用户意图的捕捉，实验证明其在多项基准测评中优于现有方法。
07
UNGER: Generative Recommendation with A Unified Code via Semantic and Collaborative Integration
发表：2025/10/28
生成式推荐系统基于知识图谱的推荐系统个性化推荐系统多模态推荐系统在线推荐系统优化
本文提出了UNGER，一种通过将语义和协作信息整合为统一代码的生成式推荐方法，旨在解决信息过载问题及现有系统编码冗余的挑战。采用两阶段框架，该模型有效构建了可学习的模态适应层以优化编码过程，显著降低了存储与推理成本。研究发现，这种新方法不仅提高了推荐系统的效率，还充分利用了不同模态间的互补优势，为推荐系统的大规模部署提供了可行性。
06
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
发表：2025/4/23
生成式推荐系统统一生成推荐框架推荐系统检索与排序信息共享与优化动态平衡优化机制
本文提出了一种统一生成推荐框架（UniGRF），旨在解决推荐系统中检索和排序阶段的信息损失问题。通过将这两个阶段视为序列生成任务，UniGRF实现了信息共享、模型无关性，并引入排序驱动增强模块和动态平衡机制，以优化性能。实验结果显示，UniGRF在各基准数据集上显著优于现有模型。
08
Semantics Meet Signals: Dual Codebook Representationl Learning for Generative Recommendation
发表：2025/11/15
生成式推荐系统通用推荐系统双代码本表示学习协同过滤与语义理解平衡FlexCode框架
本文提出了一种名为FlexCode的新框架，通过双码本表示学习平衡协同过滤和语义理解的关系，从而提升生成式推荐系统的性能。FlexCode自适应地分配词元预算，采用轻量级混合专家模型增强预测准确性与长尾物品的鲁棒性，在各类数据集中表现优于基线模型。
07
Recommender Systems in the Era of Large Language Models (LLMs)
发表：2023/7/5
基于大语言模型的推荐系统大语言模型微调生成式推荐系统推荐系统的预训练与调优大语言模型的提示方法
本文回顾了利用大型语言模型（LLMs）强化推荐系统的各类方法，包括预训练、微调和提示。通过综合分析这些技术，作者强调LLMs在编码用户和物品特征、提升理解和生成能力方面的潜力，以及其在未来推荐系统研究中可能的应用方向。
04
Multi-Aspect Cross-modal Quantization for Generative Recommendation
发表：2025/11/19
生成式推荐系统跨模态量化多模态信息整合语义ID学习推荐系统数据集
本文提出了一种多方面跨模态量化生成式推荐（MACRec）模型，通过整合多模态信息来提升语义标识符的质量。这种方法利用跨模态量化降低了冲突率，并结合隐式和显式对齐，旨在增强生成模型的能力。实验结果验证了其在三个推荐数据集上的有效性。
05
LLaDA-Rec: Discrete Diffusion for Parallel Semantic ID Generation in Generative Recommendation
发表：2025/11/9
生成式推荐系统离散扩散框架并行语义ID生成双向注意力机制自适应序列生成
本文提出了LLaDARec，一个离散扩散框架，旨在解决生成式推荐中的单向约束和错误积累问题。通过结合双向注意力和自适应生成顺序，该方法有效建模物品间及物品内依赖。三个关键设计包括并行词元化方案、双层掩码机制和自适应束搜索，实验证明LLaDARec在真实数据集上优于现有推荐系统。
012
GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation
发表：2025/11/13
生成式推荐系统广告推荐优化统一生成模型框架多级联合训练策略异构层次解码器
本文提出了一种新的广告推荐框架GPR（Generative Pretrained Recommender），将广告推荐重新定义为端到端生成任务，克服现有模型的目标错位和误差传播问题。通过设计统一的输入模式和异构分层解码器，增强语义对齐，提升训练效率，最终实现了强大的建模能力和推理灵活性。
010
Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations
发表：2025/3/4
稀疏密集推荐模型生成式推荐系统级联稀疏-密集表示用户交互序列建模在线推荐系统优化
本研究提出了级联组织双表示生成式检索框架（COBRA），创新性地将稀疏语义ID与密集向量整合。通过交替生成稀疏ID与密集向量，COBRA实现了端到端训练，动态优化密集表示，并有效捕获用户物品交互中的语义与协同信号，实验结果验证其在推荐系统中的优越性。
04
A Survey on Generative Recommendation: Data, Model, and Tasks
发表：2025/10/31
生成式推荐系统大语言模型微调Diffusion模型多模态大语言模型基于大语言模型的推荐系统
本文综述生成式推荐的新范式，基于数据增强与统一、模型对齐训练及任务设计三个维度系统分析。重点探讨大型语言模型和扩散模型的创新应用，揭示生成推荐在知识整合、自然语言理解与个性化生成上的优势。
011