通过混合标记化和串行并行解码增强跨域顺序推荐

arXiv:2607.28659v1 公告类型：新 摘要：跨域顺序推荐（CDSR）旨在对用户跨多个域的动态兴趣转换和顺序模式进行建模。最近，生成推荐（GR）出现了。它首先从项目语义中学习语义标识符（SID），并将推荐制定为自回归生成。然而，现有方法面临两个关键问题：（1）它们在标记化过程中忽略了跨域的协作相关性，（2）它们在生成过程中采用了低效的解码策略，例如波束搜索，这阻碍了实时部署。为了解决这些限制，我们提出了 GenCDSR，这是一种有效且高效的 CDSR 生成框架。具体来说，我们设计了一种具有多塔架构的跨域混合标记化机制，通过分层共享特定和细粒度的码本来共同捕获跨域共性和特定于域的区别。此外，我们开发了一种跨域串行并行解码策略，利用分层 SID 结构来部分并行化生成，显着减少推理延迟，同时保持生成一致性。在三个公共数据集上进行的实验表明，与最先进的基线相比，GenCDSR 的平均准确度提高了 1.5%，平均推理延迟降低了 85.1%。实现代码和数据集可在线获取：https://github.com/Applied-Machine-Learning-Lab/RecSys2026_GenCDSR。