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¶
- TIGER: Recommender Systems with Generative Retrieval:理解内容 embedding → RQ-VAE SID → seq2seq → beam 的基本闭环。
- 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。
- 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。
- 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。
- 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¶
- TIGER, NeurIPS 2023:层次 SID 自回归检索。
- LC-Rec, ICDE 2024 / 官方代码:把协同语义对齐到 LLM,并直接生成目录 item。
- LIGER, 2024 / 官方代码:在同一输入条件下比较 dense 与 generative,再做混合检索。
- GRAM, ACL 2025 / 官方代码:语义到 lexical ID 与多粒度 late fusion。
改变表示或分解¶
- ActionPiece, ICML 2025 / 官方代码:上下文 action tokenization。
- COBRA, NeurIPS 2025:离散码后接 dense 尾向量。
- RPG, KDD 2025 / 官方代码:OPQ 子空间 code 组成论文所称的 unordered long SID;codebook 位置固定、独立 head 并行预测,长度按数据集选择。
- RecGPT: A Foundation Model for Sequential Recommendation, EMNLP 2025 / 官方代码:FSQ、跨域预训练和 catalog-aware beam。
- MaskGR, 2025 / 官方代码:用 masked diffusion 替代左到右 SID 生成。
- SpecGR, AAAI 2026 / 官方代码:drafter–verifier 处理 inductive retrieval。
工业扩展¶
- OneRec V1 → OneRec V2:从 encoder-decoder 页面生成到 lazy decoder-only 与 RL。
- MiniOneRec / 代码:公开的 RQ-VAE + Qwen + SFT/RL 流程。
- OpenOneRec / 代码:预训练、SFT、on-policy distillation、RL、RecIF-Bench。
- PLUM、MTGR, CIKM 2025、GPR、京东 GenRec, SIGIR 2026:用于理解规模化/多目标系统,不应在无数据和代码时承诺逐数字复现。
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:
- VQ-VAE, 2017;
- RQ-VAE, 2022 / 代码;
- FSQ, ICLR 2024 / 代码;
- CoST, RecSys 2024:关系保持的 contrastive tokenization;
- LETTER, CIKM 2024 / 代码:语义、协同、diversity 三种正则;
- Breaking the Hourglass, EMNLP Industry 2024:中间 code 过度集中;
- ETEGRec, SIGIR 2025 / 代码:tokenizer 与推荐器交替联训;
- Purely Semantic Indexing:不依赖随机歧义后缀的唯一化;
- Pctx / 代码:一个 item 多个上下文 SID;
- 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¶
- P5, RecSys 2022 / 代码:prompt 化的 text-to-text 多任务推荐。
- How to Index Item IDs, 2023 / 代码:顺序/协同/语义/混合 ID 的直接比较。
- GenRec: LLM for Generative Recommendation, ECIR 2024 / 代码:直接生成目标物品文本。
- BIGRec, 2023 / 代码:生成语义后 grounding 到真实目录。
- IDGenRec, SIGIR 2024 / 代码:生成 textual identifiers 并做跨域零样本。
- RecGPT: Generative Pre-training for Text-based Recommendation, ACL 2024 / 代码:领域文本 LLM;不要与 EMNLP 2025 的 FSQ RecGPT 混淆。
- NoteLLM, WWW 2024 / NoteLLM/NoteLLM-2 代码:生成 hashtag/category/摘要帮助学习可检索 embedding,属于边界路线;NoteLLM-2进一步加入视觉 encoder。
- LAMIA(2024 投稿,2025 v3 改名)(v1 名为 STORE):当前版本以多 aspect item palette 做 semantic tokenization;v1 的 text↔token 联合生成仅作历史版本阅读。
- NAR4Rec, KDD 2024 与 GReF, CIKM 2025:前两者研究有序列表生成;GenRank, 2025则是 action-oriented candidate ranking,生成候选 action 概率而不直接生成 item 排列。
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:
- 交互向量:DiffRec, SIGIR 2023 / 代码。
- 连续目标物品:DiffuRec, TOIS / 代码;DreamRec, NeurIPS 2023 / 代码。
- 多兴趣/偏好:DimeRec, WSDM 2025;PreferDiff, ICLR 2025 / 代码。
- 离散状态/SID:DDSR、MaskGR、MDGR。
- 流匹配:FlowCF, KDD 2025 / 代码。
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¶
- ReRe / 代码 与 MiniOneRec / 代码:推荐专用偏好优化和公开后训练流程。
- Rec-R1, TMLR 2025 / 代码:黑盒 recommender 反馈闭环 RL。
- LatentR³, ICLR 2026 / ICLR 页面 / 代码:latent reasoning token + GRPO。
- Reason-to-Recommend / 作者提供的匿名代码快照:从交互图构造推理轨迹;尚未确认稳定公开 GitHub。
- OneRec-Think, ACL 2026 / 代码:itemic alignment、reasoning scaffolding 和推荐 reward。
- PROMISE:SID 步级过程奖励与 PRM-guided beam。
- DASO:按 SID 前缀难度分配 rollout;截至快照极新,应先独立核验。
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¶
- Faithful Evaluation of Semantic-ID Tokenizers, CIKM 2026:碰撞纠正 item metrics 与 zero-collision reassignment。
- Understanding Semantic IDs, 2026:表示邻域损失、前缀过滤和 Item-Supported Decoding。
- Can Generative Recommendation Reach Cold Items?, 2026:absolute-time 下按 token/prefix 可达性分析冷物品。
- Understanding Generative Recommendation from a Model-scaling View, KDD 2026(预印本始于 2025):分别检查 encoder、tokenizer 与 generator 扩展,避免“更大必然更好”。
- GRID, 2025:滑窗、去重、码长/宽度和架构消融。
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:
- 会议/期刊正式页、ACL Anthology、OpenReview;
- arXiv 原文及其版本历史;
- 作者/机构官方 GitHub、项目页、模型卡;
- 综述、教程和 awesome 列表仅用于发现候选;
- 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。