摘要
语义ID（SIDs）已成为生成推荐中的核心组成部分。当前的基于SID的系统为同一序列分配了三种角色：共享前缀用于组织相关项目，完整SID用于识别单个项目，而每个生成的token则缩小了可返回的项目范围。我们系统地研究了从项目编码、SID构建到自回归生成和最终推荐的SIDs。
我们考察了SID构建如何改变项目表示，以及这些变化如何影响生成。在三个亚马逊域和八种SID构建中，SID邻域仅平均恢复32.2%的编码器的十个最近邻。尽管替代项目描述在99.57%的受控案例中仍能首选相应项目，但却改变了38.4%的精确SIDs。这些结果表明，SIDs保留了广泛的组织结构，但失去了编码器的细致局部结构，而其精确的tokens并不单由项目含义决定。这一损失在生成过程中变得尤为重要。在最终的语义token之后，TIGER仅保留了29.9%的在SID过滤之前被认为是合理推荐的目标。
基于这些发现，我们提出了项目支持解码（ISD），这是一种轻量级推理时方法，允许用户特定的项目排名支持相应的SID前缀，然后在束搜索中丢弃它们。相同的排名随后对生成的项目进行排序。ISD不需要额外的参数或对SID构造器或解码器的重新训练。我们实证显示，ISD在每个评估设置中均提高了NDCG@10，相对增益高达31.2%。我们的结果表明，SIDs提供了有用的粗略项目组织，但其细微的边界不应单独决定在生成过程中哪些项目仍然可用。
博主点评： 语义ID在生成推荐系统中的应用展示了如何通过结构化信息来提高推荐质量。ISD的提出不仅优化了推荐精度，还展示了用户特定需求的重要性，为未来的推荐系统设计提供了新的思路。通过平衡粗略组织与细致生成，推荐系统可以更好地满足用户期望。