术语与边界¶
生成式推荐领域经常把“生成”“检索”“排序”“语义 ID”混用。本页给出 GenRec 文档中的固定含义。
任务术语¶
| 术语 | 本项目中的含义 | 不应混同 |
|---|---|---|
| 序列推荐 | 根据按时间排序的交互历史预测下一 item | 任意静态 user–item 匹配 |
| 生成式推荐(广义) | 以生成模型、生成目标或生成过程完成推荐的一类方法 | 只因为 backbone 是 Transformer 就称“生成式” |
| 生成式检索(狭义) | 自回归或非自回归地产生可映射到目录 item 的标识符/token 序列 | 生成自然语言理由但仍由传统召回给候选 |
| 判别式全排序 | 对目录中的 item 直接产生分数并取 Top-K | sampled-negative 指标 |
| next-item prediction | 每个测试样本只有一个目标 item 的下一项预测 | list continuation、多目标 slate generation |
| foundation / LLM recommender | 以大规模预训练模型跨任务或跨域建模推荐 | 参数量大但只在单数据集训练的模型 |
表示与量化¶
| 术语 | 定义 |
|---|---|
| item ID / PID | 目录中唯一对应真实物品的标识符;0 通常保留为 padding |
| Semantic ID(SID) | 由一个或多个离散 code 组成的 item 表示,例如 (c_1,c_2,c_3) |
| codebook | 把连续向量映射为离散索引的原型集合 |
| RQ(Residual Quantization) | 第 1 层量化原向量,后续层依次量化前一层残差 |
| RQ-VAE | 用神经 encoder/decoder 与残差向量量化联合学习 SID 的组件 |
| RQ-KMeans | 对输入及逐层残差执行 K-Means 的非神经量化器 |
| OPQ | Optimized Product Quantization;旋转后把向量切成子空间并分别量化 |
| collision | 两个或更多 item 具有同一完整 SID |
| dead code / dead cluster | 某层 codebook 中没有 item 被分配到的 code |
| codebook usage | 至少被使用一次的 code 数占码本容量的比例;高 usage 不保证完整 SID 唯一 |
解码与评测¶
| 术语 | 定义 |
|---|---|
| constrained decoding | 用 Trie、合法 token 集或 catalog 规则限制每一步生成,只允许形成有效标识符 |
| beam search | 保留累计分数最高的若干部分序列;beam width 不是最终 K 的同义词 |
| SID-level metric | 预测 SID 与目标 SID 元组相等即命中;存在碰撞时会把同桶其他 item 误计为目标 |
| item-level metric | 先将候选解析到唯一真实 item,再计算 Recall/NDCG;这是 GenRec 的 headline 口径 |
| training-only resolver | 只用训练交互的流行度为碰撞 SID 选择代表 item,防止 valid/test 目标泄漏 |
| item deduplication | 多个生成候选解析到同一 item 时只保留分数最高/顺序最前的一个,并从更深 beam 补足 |
| full catalog | 每次预测面对完整可推荐目录;可以直接全打分,也可以用受约束生成近似 Top-K |
| in-batch metric | 只在当前 batch 的 item 中排序;只能诊断,通常远易于 full catalog |
| leave-one-out(LOO) | 每位用户最后一次交互作 test、倒数第二次作 valid,之前作 train |
| global temporal | 用全局时间切点分 train/valid/test,降低未来交互进入训练历史的风险 |
指标¶
本项目的 next-item 测试每个样本只有一个相关 item。于是:
\[
\operatorname{Recall@K}(u)=\mathbb{1}[r_u\le K]
\]
\[
\operatorname{NDCG@K}(u)=
\begin{cases}
1/\log_2(r_u+1), & r_u\le K \\
0, & r_u>K
\end{cases}
\]
其中 \(r_u\) 是目标 item 在去重后候选列表中的 1-based rank。最终指标对测试样本取平均。
Recall 与 Hit Rate
在“每个用户只有一个测试目标”的协议里,Recall@K 与 HR@K 数值相同;文档仍统一写 Recall@K,以免切换到多目标任务时概念失真。
“实现”与“复现”¶
- 实现:存在明确的模型、数据、训练与评测代码路径。
- 对齐:关键表示、目标函数、解码和数据处理与论文设定有证据对应。
- 复现:在明确硬件、数据和评测协议下得到与原文可解释地一致的结果。
- 复现失败:完成了可比实验但差距显著;应保留诊断证据,而不是删除条目。
- 实验性:能运行但证据不足;不能进入 headline 比较。