Generative Chinese Statute Retrieval
Tsinghua University(清华大学);Quancheng Laboratory(清华实验室);Renmin University of China(中国人民大学)
针对法规检索中口语化查询与正式法规语言的差距问题,提出GCSR生成式法规检索框架,通过多粒度结构化文档ID和多任务训练策略,将其转化为序列生成问题,实验证明该框架优于基线,凸显其在法律信息检索及推理任务中的有效性与潜力。
2026-07-14 cs.CL cs.IR
Exploring Training and Inference Scaling Laws in Generative Retrieval
National University of Singapore(新加坡国立大学);The Hong Kong Polytechnic University(香港理工大学);University of Science and Technology of China(中国科学技术大学);Nanyang Technological University(南洋理工大学)
本文系统研究生成式检索中模型规模、训练数据量与推理计算的缩放定律,并提出连续评估指标,验证三者互补提升性能及 LLaMA 相对 T5 的优势。
2025-06-08 cs.CL cs.IR
How Does Generative Retrieval Scale to Millions of Passages?
Google Research(谷歌研究院);University of Waterloo(滑铁卢大学)
首次将生成式检索扩展至 8.8M 段落和 11B 参数,发现合成查询作为文档表示至关重要,现有架构修改在计算成本下无效,模型参数的朴素缩放存在局限性,且扩展至数百万段落仍是未解决的挑战。
2023-05-19 cs.CL cs.IR
Planning Ahead in Generative Retrieval: Guiding Autoregressive Generation through Simultaneous Decoding
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Amazon(亚马逊公司)
本文提出PAG方法,通过同步解码引导生成式检索中标识符的自回归生成,构建基于词元和量化表示的双标识符,在MSMARCO和TREC上大幅超越现有模型并显著降低延迟。
2024-04-22 cs.CL cs.IR
Learning to Rank in Generative Retrieval
The Hong Kong Polytechnic University(香港理工大学);Microsoft(微软)
针对生成式检索中生成目标与最终排序目标脱节的问题,本文提出 LTRGR 框架,通过排序损失直接优化段落排序,并在三个基准上达到最先进性能。
2023-12-16 cs.AI cs.CL cs.IR
GLEN: Generative Retrieval via Lexical Index Learning
Sungkyunkwan University(成均馆大学)
本文提出GLEN方法,通过两阶段动态词表索引学习策略和无冲突推理机制,解决了生成式检索中预训练知识与标识符差异及训练推理差距问题,在多个基准数据集上达到最优或具竞争力的性能。
2023-11-06 cs.CL cs.IR
Multi-Step Semantic Reasoning in Generative Retrieval
University of Amsterdam(阿姆斯特丹大学)
本文提出ReasonGR框架,通过结构化提示策略和推理聚焦适应模块,提升生成检索在数值上下文中的多步语义推理能力,实验表明其在FinQA数据集上提升了检索准确性和一致性。
2026-03-12 cs.CL cs.IR
Generative Retrieval as Dense Retrieval
本文提出将生成式检索视为稠密检索,通过分解为点积并引入Tied-Atomic变体,解决索引更新和扩展问题,实验验证在NQ320k和MSMARCO上不降低效果且可扩展。
2023-06-20 cs.IR
A Survey of Generative Information Retrieval
National Taiwan University(台湾大学)
本综述全面概述了生成式检索(GR)这一新兴范式,探讨了其文档标识符策略与表示方法,并指出了提升查询生成质量、探索可学习标识符及与多任务学习集成等未来研究方向。
2024-06-04 cs.CL cs.IR
Summarization-Based Document IDs for Generative Retrieval with Language Models
University of Washington(华盛顿大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
该研究提出基于摘要的生成式内容文档ID(ACID),用自然语言摘要/关键短语替代传统整数ID,在MSMARCO和NQ 100k检索任务上显著提升召回率,同时发现文档特征会影响检索效果。
2024-10-30 cs.CL cs.IR
Distillation Enhanced Generative Retrieval
The Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
本文提出一种名为DGR的框架,通过利用复杂排序模型作为教师提供段落排序列表,并采用蒸馏RankNet损失优化生成式检索模型,在不增加推理负担的情况下实现了最先进的性能及卓越的鲁棒性。
2024-02-16 cs.AI cs.CL cs.IR
SemCORE: A Semantic-Enhanced Generative Cross-Modal Retrieval Framework with MLLMs
University of Electronic Science and Technology of China(电子科技大学);Tongji University(同济大学);Singapore Management University(新加坡管理大学);National University of Singapore(新加坡国立大学)
针对生成式跨模态检索在标识符构建和生成中语义信息不足的问题,提出SemCORE框架,通过结构化自然语言标识符和生成语义验证策略,提升跨模态检索性能。
2025-04-17 cs.CL cs.IR cs.MM
Gen-IR @ SIGIR 2023: The First Workshop on Generative Information Retrieval
University of Amsterdam(阿姆斯特丹大学);RTL NL(RTL荷兰公司);ICT, Chinese Academy of Sciences(中国科学院信息与通信技术研究所);Google Research(谷歌研究院)
首届生成式信息检索研讨会Gen-IR @ SIGIR 2023聚焦生成式IR的现有技术与新领域应用,采用互动形式推动该领域的理论、方法与应用探索。
2023-06-13 cs.CL cs.IR
Purely Semantic Indexing for LLM-based Generative Recommendation and Retrieval
本文针对生成式推荐与检索中的语义ID冲突问题,提出纯语义索引方法,通过穷举候选匹配和递归残差搜索实现唯一ID分配,在不引入非语义token的情况下提升整体及冷启动性能。
2025-09-19 cs.CL cs.IR
The Infinite Index: Information Retrieval on Generative Text-To-Image Models
Leipzig University(莱比锡大学);Friedrich-Schiller-Universität Jena(耶拿弗里德里希·席勒大学);Bauhaus-Universität Weimar(魏玛包豪斯大学)
条件生成模型(如DALL-E和稳定扩散)基于用户定义的文本(提示)生成图像。寻找和提炼产生所需图像的提示已经成为提示工程的艺术。生成模型不为用户通过提示表达的信息需求提供内置的检索模型。在广泛的文献回顾的光,我们重新构建提示工程的生成模型作为交互式的基于文本的检索上的一种新的“无限索引”。我们首次将这些见解应用于与专家一起进行的游戏设计图像生成案例研究中。最后,我们设想如何主动学习可能有助于指导检索生成的图像。
2023-01-21 cs.CL cs.CV cs.IR
UniGen: A Unified Generative Framework for Retrieval and Question Answering with Large Language Models
Renmin University of China(中国人民大学)
针对现有生成式检索与问答方法模块独立、难以同步优化的问题,提出统一生成式框架UniGen,通过共享编码器、双解码器、LLM生成连接模块及迭代增强策略,在MS MARCO和NQ数据集上实现两项任务性能提升。
2023-12-18 cs.AI cs.CL cs.IR
CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks
University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学)
知识密集型语言任务(KILT)通常需要大量信息才能提供正确答案。解决这个问题的一个流行的范例是将搜索系统与机器阅读器相结合,前者检索支持证据,后者检查它们以产生答案。最近,读者组件在大规模预训练生成模型的帮助下取得了重大进展。与此同时,搜索组件中的大多数现有解决方案依赖于传统的“索引-检索-然后-排名”管道,该管道存在较大的内存占用和端到端优化困难。受最近在构建基于模型的IR模型方面的努力的启发,我们提出用一种新的单步生成模型取代传统的多步搜索管道,该模型可以大大简化搜索过程并以端到端的方式进行优化。我们证明了一个强大的生成检索模型可以通过一组充分设计的预训练任务来学习,并通过进一步的微调来改进各种下游KILT任务。我们将预训练的生成式检索模型命名为CorpusBrain,因为所有关于语料库的信息都编码在其参数中,而不需要构建额外的索引。实证结果表明,CorpusBrain在KILT基准测试中的检索任务可以显著优于强基线,并建立新的最先进的下游性能。我们还表明,CorpusBrain在零和低资源设置下工作良好。
2022-08-16 cs.CL cs.IR
On the Robustness of Generative Retrieval Models: An Out-of-Distribution Perspective
CAS Key Lab of Network Data Science and Technology, ICT, CAS(中国科学院计算技术研究所网络数据科学与技术重点实验室);University of Chinese Academy of Sciences(中国科学院大学);University of Amsterdam(阿姆斯特丹大学)
本文从分布外视角研究生成式检索模型的鲁棒性,提出三维度分类法,并通过实证对比稠密检索模型,发现其OOD鲁棒性需提升,为IR社区提供参考。
2023-06-22 cs.AI cs.CL cs.IR
Generative Retrieval as Multi-Vector Dense Retrieval
Shandong University(山东大学);Leiden University(莱顿大学);University of Amsterdam(阿姆斯特丹大学)
本文证明生成式检索可视为多向量稠密检索的特例,二者共享查询-文档相关性计算框架,并通过实验验证了对齐矩阵中的词项匹配共性。
2024-03-31 cs.AI cs.IR
Generative Retrieval Overcomes Limitations of Dense Retrieval but Struggles with Identifier Ambiguity
Vienna University of Economics and Business(维也纳经济与商业大学)
本文通过合成数据集LIMIT研究生成检索的优劣,发现其在无额外训练时表现最佳,但添加难样本后性能下降,揭示解码机制失效问题。
2026-04-08 cs.IR
DOGR: Leveraging Document-Oriented Contrastive Learning in Generative Retrieval
针对生成式检索无法直接表示查询与文档相关性的问题,本文提出DOGR框架,通过面向文档的对比学习和两阶段策略增强语义表示学习,在两个基准数据集上取得SOTA性能且对常见标识符构建技术通用有效。
2025-02-12 cs.IR
Integrating Chain-of-Thought into Generative Retrieval: A Preliminary Study
Shandong University(山东大学)
本文提出ThinkGR框架,通过将链式思维与文档ID生成相结合,提升生成检索在复杂查询中的表现,实验表明其在多跳检索基准上平均提升6.86%。
2026-05-21 cs.IR
Differentiable Retrieval Augmentation via Generative Language Modeling for E-commerce Query Intent Classification
针对检索器与下游模型异步训练导致的性能下降问题,提出可微检索增强方法Dragan,通过可微重构实现端到端联合训练,在电商查询意图分类的离线与在线实验中均显著优于基线。
2023-09-15 cs.CL cs.IR
GPL: Generative Pseudo Labeling for Unsupervised Domain Adaptation of Dense Retrieval
Technical University of Darmstadt(达姆施塔特工业大学);University of Waterloo(滑铁卢大学);Hugging Face
稠密检索方法可以克服词汇鸿沟,并导致显着改善的搜索结果。然而,它们需要大量的训练数据,这对于大多数领域是不可用的。如先前的工作所示(Thakur等人,2021b),密集检索器的性能在域转移下严重降低。这将稠密检索方法的使用限制在仅具有大训练数据集的少数域。在本文中,我们提出了新的无监督领域自适应方法生成伪标记(GPL),它结合了查询生成器和伪标记从交叉编码器。在六个有代表性的领域专用数据集上,我们发现建议的GPL可以优于开箱即用的最先进的稠密检索方法,最多可达9.3点nDCG@10。GPL需要来自目标域的更少(未标记)数据,并且在训练中比以前的方法更鲁棒。我们进一步研究了六个最近的预训练方法在检索任务的领域自适应场景中的作用,其中只有三个可以产生改进的结果。最好的方法,TSDAE(Wang等人,2021年)可以与GPL结合使用,在六个任务中平均提高1.4分nDCG@10。代码和模型可在https://github.com/UKPLab/gpl上获得。
2022-04-25 cs.CL cs.IR
From Relevance to Authority: Authority-aware Generative Retrieval in Web Search Engines
Sungkyunkwan University(成均馆大学);Naver Corporation(Naver公司)
本文提出权威感知生成检索框架AuthGR,通过多模态权威评分、三阶段训练和混合集成流程提升检索的权威性和准确性,在实际应用中显著提高用户参与度和可靠性。
2026-04-19 cs.CL cs.IR
Hierarchical corpus encoder: Fusing generative retrieval and dense indices
针对生成式检索难以处理未见文档的问题,提出分层语料库编码器(HCE),利用兄弟节点对比训练,在零样本和有监督设置下均优于生成式检索,并支持动态增删文档。
2025-02-26 cs.IR
Bootstrapped Pre-training with Dynamic Identifier Prediction for Generative Retrieval
针对生成式检索预训练受静态文档标识符限制的问题,提出含三阶段训练、结合大模型生成噪声文档与伪查询的自举预训练方法BootRet,动态调整标识符,性能优于现有基线且零样本表现优异。
2024-07-16 cs.IR
GEM: A Generative Embedding Model Bridging Reasoning and Retrieval
University of Glasgow(格拉斯哥大学)
针对传统检索器表层匹配导致的需求解读差距问题,提出生成式嵌入模型GEM,将推理与检索统一,在相关任务上性能优于基线,还可通过提示扩展测试时计算提升效果。
2026-08-17 cs.AI cs.CL cs.IR
Scalable and Effective Generative Information Retrieval
本文提出RIPOR优化框架,通过前缀导向排序和基于关联性的文档ID构建,首次实现生成式检索在大规模基准上的有效训练,大幅超越现有生成式模型并媲美稠密检索。
2023-11-15 cs.IR
QueStER: Query Specification for Generative keyword-based Retrieval
MILA – Quebec AI Institute & ILLS(魁北克人工智能研究所);Université Paris-Saclay & CentraleSupélec & CNRS(巴黎-萨克雷大学);Air Liquide(Air Liquide公司);Sorbonne Université & ISIR & CNRS(索邦大学)
QueStER通过生成显式的关键词检索规范,结合生成式查询重写和传统检索的效率,提升跨领域检索性能。
2026-01-21 cs.CL cs.IR cs.LG
Unsupervised Multilingual Dense Retrieval via Generative Pseudo Labeling
National Taiwan University(国立台湾大学);Taiwan AI Labs(台湾人工智能实验室)
针对多语言稠密检索依赖大量配对数据的难题,提出无监督模型UMR,利用多语言大模型的序列似然估计生成伪标签,通过两阶段迭代框架训练,在两个基准数据集上超越有监督基线,且代码数据模型已开源。
2024-03-06 cs.CL cs.IR
Evaluating a Generative Adversarial Framework for Information Retrieval
Princeton University(普林斯顿大学);Indian Institute of Technology, Madras(马德拉斯印度理工学院)
生成对抗网络(GANs)的最新进展使其在多个领域得到了广泛的应用。最近的一个模型,IRGAN,适用于这个框架的信息检索(IR),并在过去的几年中获得了显着的关注。在这项重点工作中,我们批判性地分析了IRGAN的多个组成部分,同时提供了一些缺点的实验和理论证据。具体来说,我们确定的问题与恒定的基线长期的策略梯度优化,并表明发电机损害IRGAN的性能。我们的研究结果的动机,我们提出了两个模型的自我对比估计和共同训练的表现优于IRGAN的三个任务中的两个。
2020-10-01 cs.CL cs.IR cs.LG
A Modern Perspective on Query Likelihood with Deep Generative Retrieval Models
现有的神经排序模型遵循文本匹配范式,其中通过预测匹配分数来估计文档与查询的相关性。借鉴经典生成式检索模型的丰富文献,我们引入并形式化了通过生成查询词的累积概率定义的深度生成式检索模型的范式。这种模式提供了一个接地概率相关性估计的观点,同时仍然能够使用现代神经架构。与匹配范式相反,生成排名的概率性质很容易提供一个细粒度的不确定性度量。我们在我们的框架中采用了几种当前的神经生成模型,并引入了一种新的生成排序器(T-PGN),它结合了Transformers的编码能力和指针生成器网络模型。我们利用MS MARCO Passage Re-ranking和TREC深度学习2019 Passage Re-ranking集合,对段落检索进行了一系列广泛的评估实验。我们的研究结果表明,显着更高的性能的T-PGN模型相比,其他生成模型。最后,我们证明了利用深度生成排名器的不确定性信息为查询/集合理解开辟了新的视角,并显着改善了截止预测任务。
2021-06-25 cs.IR
It Takes Two to Match: Co-Evolving Generative Retriever with Reinforcement Learning
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Apple(苹果公司)
本文提出CoGR框架,通过两阶段训练与GRPO强化学习协同优化查询、项侧生成器,在多基准数据集上较最强基线F1值提升10.9%与36.1%,实现更优检索效果。
2026-09-02 cs.CL cs.IR
CodeHID: Learning an Addressable Hierarchical Code Index for Generative Code Retrieval
Ministry of Education of China, Xiamen University(厦门大学);Key Laboratory of Multimedia Trusted Perception and Efficient Computing(多媒体可信感知与高效计算教育部重点实验室)
CodeHID是一种生成式代码检索框架,通过伪邻居引导的文档ID学习与双阶段文档ID生成引导构建分层索引,在CoSQA和ProCQA基准上大幅优于现有检索方法
2026-08-26 cs.IR
Constrained Auto-Regressive Decoding Constrains Generative Retrieval
本文从约束条件和束搜索两个角度理论分析生成式检索中受限自回归解码的固有局限,推导出基于KL散度的误差下界,并揭示边际分布在束搜索中的不足,为提升生成式检索泛化能力奠定理论基础。
2025-04-14 cs.IR
Re3val: Reinforced and Reranked Generative Retrieval
本文提出Re3val,通过生成式重排序和强化学习改进生成式检索,利用稠密检索上下文重排序页面标题,并借助REINFORCE优化约束解码奖励,在五个KILT数据集上取得领先的Top 1分数。
2024-02-23 cs.IR
Why These Documents? Explainable Generative Retrieval with Hierarchical Category Paths
Yonsei University(延世大学);Korea University(高丽大学)
HyPE通过生成层次类别路径提升生成检索的可解释性,通过外部高质量语义层级构建路径并优化模型,提高检索性能和解释性。
2026-04-12 cs.IR
Nonparametric Decoding for Generative Retrieval
KAIST(韩国科学技术院);Kakao(Kakao公司)
本文提出非参数解码方法,通过引入上下文化词表嵌入作为外部记忆,突破生成式检索模型参数信息容量限制,在多个文档检索数据集上显著提升性能并展现数据与参数高效性。
2023-05-28 cs.AI cs.IR
Generative and Pseudo-Relevant Feedback for Sparse, Dense and Learned Sparse Retrieval
本研究将生成式相关反馈扩展到稠密和学习型稀疏检索,结合伪相关反馈信号,在六个基准上提升精确率和召回率约10%,并显著提高召回率。
2023-05-12 cs.IR
On the Robustness of Generative Information Retrieval Models
本文评估了生成式信息检索模型在查询变化、未见查询类型、未见任务和语料库扩展四种分布外场景下的鲁棒性,发现其OOD鲁棒性亟待提升,以促进开发更可靠的IR模型。
2024-12-25 cs.IR
A Generative Framework for Personalized Sticker Retrieval
State Key Laboratory of AI Safety, Institute of Computing Technology, CAS(中国科学院计算技术研究所人工智能安全国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);WeChat Search Application Department, Tencent Inc.(腾讯公司微信搜索应用部)
针对现有生成式检索方法缺乏个性化、难以匹配用户多样化表情包需求的问题,提出个性化表情包检索生成式框架PEARL,通过用户表征学习和意图感知目标提升效果,实验证明其性能显著优于现有最优方法。
2025-10-22 cs.IR
Explicitly Integrating Judgment Prediction with Legal Document Retrieval: A Law-Guided Generative Approach
针对现有法律检索未显式结合判决预测导致准确率低、透明度不足的问题,提出法律引导的生成式检索方法GEAR,以序列到序列方式显式整合两类任务,在多个数据集上取得更优效果与鲁棒性。
2024-04-15 cs.IR
Event GDR: Event-Centric Generative Document Retrieval
Tsinghua University(清华大学);Shanxi University(山西大学)
针对生成式文档检索存在的文档内容关联弱、标识符语义结构不明确的问题,提出融入事件知识的Event GDR模型,采用多智能体交互-反思法抽取事件,用事件与关系建模文档、映射事件分类体系构建标识符,在两个数据集上性能显著优于基线。
2024-05-11 cs.AI cs.CL cs.IR
Scaling the Vocabulary of Non-autoregressive Models for Efficient Generative Retrieval
Microsoft Research, India(微软研究院(印度));Microsoft, India(微软(印度));Microsoft, USA(微软(美国))
本文提出PIXAR,通过将NAR生成式检索模型词表扩展至最多500万个多词实体和短语并优化推理,在低延迟成本下显著提升检索效果与商业收益。
2024-06-10 cs.CL cs.IR cs.LG
Generative Multi-hop Retrieval
文本检索的一个常见做法是使用编码器将文档和查询映射到一个公共向量空间,并执行最近邻搜索(NNS);多跳检索也经常采用相同的范式,通常修改迭代地重新制定查询向量,以便它可以在每一跳检索不同的文档。然而,这种双编码器方法在多跳设置中存在局限性;(1)随着跳数的增加,重新表达的查询会变得更长,这进一步加剧了查询向量的嵌入瓶颈,(2)容易发生错误传播。在本文中,我们专注于减轻这些限制,在多跳设置制定一个完全生成的方式的问题。我们提出了一种编码器-解码器模型,通过简单地生成检索目标的整个文本序列来执行多跳检索,这意味着查询和文档在语言模型的参数空间中进行交互,而不是像双编码器方法中的L2或内积空间。我们的方法,生成式多跳检索(GMR),在五个数据集中始终实现与双编码器模型相当或更高的性能,同时展示了卓越的GPU内存和存储空间。
2022-10-16 cs.IR
Generative Retrieval and Alignment Model: A New Paradigm for E-commerce Retrieval
本文提出电商检索新范式GRAM,通过联合训练查询和产品文本生成共享标识符代码,并采用共同对齐策略和评分机制优化检索效率,显著优于传统及最新生成式检索模型。
2025-07-11 cs.AI cs.CL cs.IR
Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
NJUST(南京理工大学);Kuaishou Technology(快手科技)
本文提出RecoChain框架,整合生成与排序流程,通过层次语义ID预测生成候选项并基于SIM进行排序,提升推荐性能。
2026-04-28 cs.IR
ASI++: Towards Distributionally Balanced End-to-End Generative Retrieval
针对生成式检索中ID分配不均衡和端到端训练困难的问题,提出ASI++方法,通过分布均衡、表示瓶颈和信息一致性准则,实现均衡ID分配并提升检索性能。
2024-05-23 cs.IR
Unifying Generative and Dense Retrieval for Sequential Recommendation
University of Wisconsin, Madison(威斯康星大学麦迪逊分校);Meta AI
该研究对比了序列稠密检索与生成式检索两种序列推荐范式,提出融合二者优势的LIGER混合模型,在小规模基准上提升了推荐效率与效果,还改善了冷启动物品推荐表现。
2024-12-06 cs.AI cs.IR
GRM: Generative Relevance Modeling Using Relevance-Aware Sample Estimation for Document Retrieval
针对大语言模型生成式查询扩展易产生无关信息损害检索效果的问题,提出采用相关性感知样本估计的生成式相关性建模GRM,通过匹配真实文档与神经重排估计相关性以优化扩展词权重,在三个基准上显著提升检索性能。
2023-06-16 cs.IR
Reducing Technician Search Burden: A Multimodal RAG for Cessna 172 Maintenance Manual
Purdue University(普渡大学);Clemson University(克莱姆森大学)
本研究针对赛斯纳172维护手册,开发多模态检索增强生成流程,其多模态手册检索器召回率达93.37%,生成响应与基准答案语义相似度87.20%,可减轻技术人员检索负担。
2026-08-20 cs.ET cs.HC cs.IR
From Matching to Generation: A Survey on Generative Information Retrieval
Renmin University of China(中国人民大学);Tsinghua University(清华大学)
本文综述了生成式信息检索(GenIR)的最新进展,将其分为生成式文档检索和可靠响应生成两方面,系统总结了模型训练、知识增强等核心技术及未来挑战,为该领域提供了全面参考。
2025-03-04 cs.AI cs.CL cs.IR
Leveraging Memory Retrieval to Enhance LLM-based Generative Recommendation
针对LLM有限上下文窗口导致忽略用户长期兴趣的问题,提出AutoMR框架,通过存储并检索长期兴趣信息用于下一项目生成,有效提升了生成式推荐性能。
2025-04-29 cs.IR