在生成推荐（GR）中，大语言模型（LLMs）正日益被视为核心支撑，承诺利用预训练的世界知识。然而，如何可靠地调用这些知识仍然是一个未解之谜。关键障碍在于，LLM驱动的GR通常使用语义ID（SIDs）来表示项目，这破坏了LLMs自然语言推理的接口，因为这些令牌在预训练期间是未见的。现有的方法通过昂贵的多阶段管道来解决这一问题，旨在将SIDs与显式推理结合，但对于每个阶段何时及为何必要的理解有限。
本研究系统性地分解了LLM驱动的GR的显式推理训练管道，揭示了三个主要限制：世界知识的语言表达能力减弱，SID与自然语言令牌嵌入空间的不对齐，以及对推理质量的敏感性，这些都影响了显式推理的性能。为了解决这些问题，我们提出了PauseRec，一种专为GR量身定制的轻量级隐式推理范式。
PauseRec在实用性上表现卓越，避免了高成本的推理轨迹获取和推理对齐训练，带来了多重好处：(1) 它的性能比标准显式链式推理方法提高了最多6.22%；(2) 训练成本降低了最多65%的GPU小时；(3) 推理速度提高了最多71.3%。这些结果使PauseRec成为显式推理生成的轻量级替代方案，从而实现更有效和高效的LLM驱动生成推荐。
博主点评： PauseRec的提出为大语言模型在生成推荐领域的应用带来了新的可能性，其显著的性能提升与成本节约，展示了隐式推理的强大潜力。随着技术的不断进步，未来的推荐系统将更加智能和高效。