Skip to content

阅读路线与原始资料

本页按“要回答什么问题”组织,不按引用量或发布时间简单堆论文。快照日期为 2026-08-31;模型的完整状态表见模型目录。

先读这五篇

  1. TIGER: Recommender Systems with Generative Retrieval:理解内容 embedding → RQ-VAE SID → seq2seq → beam 的基本闭环。
  2. GRID: A Practitioner's Handbook + 代码:理解为什么 tokenizer、数据窗口、解码与去重必须一起消融。
  3. Faithful Evaluation of Semantic-ID Tokenizers:理解 SID hit 为什么可能夸大 item hit,以及碰撞纠正/零碰撞分配。
  4. HSTU: Actions Speak Louder than Words + 代码:理解另一种“生成式序列 transduction”,避免把生成式推荐窄化为 LLM + SID。
  5. DiffRec + 代码:理解对交互向量做去噪与生成 SID 是不同问题。

读完这五篇,再看某个新方法时应先问:输出空间是什么?目录怎样绑定?碰撞怎样处理?与 baseline 是否共享 split、内容和候选预算?

路线 A:语义 ID 生成式检索

奠基与对齐

改变表示或分解

工业扩展

路线 B:Item tokenizer 与量化

建议按“通用量化 → 推荐约束 → 唯一寻址”阅读:

  1. VQ-VAE, 2017;
  2. RQ-VAE, 2022 / 代码;
  3. FSQ, ICLR 2024 / 代码;
  4. CoST, RecSys 2024:关系保持的 contrastive tokenization;
  5. LETTER, CIKM 2024 / 代码:语义、协同、diversity 三种正则;
  6. Breaking the Hourglass, EMNLP Industry 2024:中间 code 过度集中;
  7. ETEGRec, SIGIR 2025 / 代码:tokenizer 与推荐器交替联训;
  8. Purely Semantic Indexing:不依赖随机歧义后缀的唯一化;
  9. Pctx / 代码:一个 item 多个上下文 SID;
  10. Variable-Length Semantic IDs / 代码、QuaSID、VaLiDRec:可变长、冲突排斥和原生 LLM 词表的新方向。

实现研究前,还应读 GRID:其开放框架同时提供 RK-Means、R-VQ/RQ-VAE 和统一解码,是验证“复杂 tokenizer 是否真的胜过简单聚类”的重要参照。

路线 C:文本生成、LLM、生成式排序与基础模型

路线 D:扩散与流

按输出对象阅读,避免把所有 diffusion 数字混在一起:

阅读时始终标注:它生成的是 score vector、embedding 还是 SID;最终 item 是全目录排序、最近邻还是约束解码得到。

路线 E:RL、推理与测试时扩展

这条路线的重点不是“用了 GRPO”,而是正 reward 是否可采到、reward 是否泄漏 target、约束生成是否改变探索空间,以及相同推理预算下是否仍有增益。

路线 F:评测与反例

这些工作不只是“相关研究”。它们直接决定旧排行榜是否可信,应在新模型实现前阅读。

来源与维护规则

资料可信度按以下顺序:

  1. 会议/期刊正式页、ACL Anthology、OpenReview;
  2. arXiv 原文及其版本历史;
  3. 作者/机构官方 GitHub、项目页、模型卡;
  4. 综述、教程和 awesome 列表仅用于发现候选;
  5. 博客、媒体摘要和第三方复现不能单独证明机制或官方结果。

更新本页时应记录核验日期;把“arXiv 预印本”与“已录用”分开;论文声称“代码即将发布”不等于已有官方代码。若链接失效,优先保留 DOI/Anthology/arXiv 永久入口。