UniVA: Unified Value Alignment for Generative Recommendation in Online Advertising at Tencent
Wuhan University（武汉大学）；Tencent Inc.（腾讯）；Peking University（北京大学）
本文提出UniVA框架，通过引入商业SID分词器和生成-排序SID解码器，提升工业广告推荐中用户兴趣与商业价值的对齐效果，实验显示在离线和在线场景均取得显著提升。
2026-07-30 cs.IR
Diffusion Language Model for Recommendation
The Hong Kong Polytechnic University（香港理工大学）；Tencent Inc.（腾讯）
研究针对现有推荐系统中自回归范式的不足，受扩散语言模型启发，提出 DLMRec。该模型引入协作感知随机分词器、课程驱动训练策略、稳定性感知投票机制，为推荐提供了新的离散扩散语言模型及有效方法。
2026-07-24 cs.IR
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology（快手科技）
针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。
2026-07-07 cs.IR
Masked Diffusion for Generative Recommendation
UT Austin（得克萨斯大学）；Snap Inc（Snap公司）
本文提出利用掩码扩散替代自回归建模，以提升生成性推荐中语义ID序列的概率建模效果，尤其在数据受限情况下表现更优。
2025-12-18 cs.IR cs.LG
Unpaired Modality-Agnostic Generative Recommendation
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Meituan（美团）
提出UnpairGR模型，从多类观测中学习统一语义ID空间，在三类基准数据集上验证其可提升完全与不完全观测下的推荐性能。
2026-08-04 cs.IR
MP2: A Momentum Contrast Approach for Recommendation with Pointwise and Pairwise Learning
二进制逐点标签（也称为隐式反馈）被当今基于深度学习的推荐算法大量利用。在本文中，我们讨论了这些标签的有限表达能力可能无法适应不同程度的用户偏好，从而导致模型训练过程中的冲突，我们称之为注释偏差。为了解决这个问题，我们发现成对标签的软标签属性可以用来减轻逐点标签的偏差。为此，我们提出了一个动量对比框架（MP2），结合逐点和成对学习的建议。MP2有一个三塔网络结构：一个用户网络和两个项目网络。这两个项目网络分别用于计算逐点和成对损失。为了减轻注释偏差的影响，我们执行动量更新，以确保一致的项目表示。在真实数据集上的大量实验证明了我们的方法对最先进的推荐算法的优越性。
2022-04-18 cs.IR
Act-With-Think: Chunk Auto-Regressive Modeling for Generative Recommendation
针对生成式推荐中语义与行为关系被忽略的问题，提出块自回归建模（CAR），通过“Act-With-Think”双重视角将语义与行为整合到单个自回归Transformer中，显著提升了推荐性能并初步模拟了慢思考机制。
2025-06-30 cs.IR
Metric Factorization: Recommendation beyond Matrix Factorization
在过去的十年中，矩阵分解得到了广泛的研究，并已成为最流行的个性化推荐技术之一。然而，在基于矩阵分解的推荐模型中采用的点积不满足不等式性质，这可能限制它们的表达能力并导致次优解。为了克服这个问题，我们提出了一种新的推荐技术称为{ \em度量因子分解}。我们假设用户和项目可以被放置在一个低维空间中，并且它们的显式接近度可以使用满足不等式性质的欧几里得距离来测量。为了证明它的有效性，我们进一步设计了两个变量的度量因子分解与一个评级估计和个性化的项目排名。大量的真实世界的数据集上的实验表明，我们的方法优于现有的国家的最先进的评级预测和项目排名任务的大幅度提高。
2018-06-04 cs.IR
Leveraging Order-Free Tag Relations for Context-Aware Recommendation
School of Computing, KAIST（韩国科学技术院计算机学院）
标签推荐依赖于顶级$k$标签的排名函数或自回归生成方法。然而，以前的方法忽略了标签集的两个看似矛盾但又令人满意的特性之一：无序性和相互依赖性。虽然排名方法未能解决标签之间的相互依赖性，当他们被排名，自回归方法未能考虑到无序，因为它被设计为利用令牌之间的顺序关系。我们提出了一种序列无关的标签推荐生成方法，其中下一个要生成的标签的顺序是独立的生成标签的顺序和地面真实标签发生在训练数据的顺序。在Instagram和Stack Overflow两个不同领域的实证结果表明，我们的方法明显优于以前的方法。
2021-10-15 cs.CL cs.IR
Learning Graph ODE for Continuous-Time Sequential Recommendation
针对用户偏好动态演化及交互时间非均匀问题，本文提出GDERec图常微分方程框架，利用两个交替训练的定制GNN从非规则观测中学习连续时间用户与物品表示，并在五个基准上验证其优于现有方法。
2024-01-20 cs.IR
Decoding in Latent Spaces for Efficient Inference in LLM-based Recommendation
针对基于LLM的生成式推荐中自回归解码推理开销大的问题，提出潜在空间解码方法L2D，通过直接匹配测试序列与训练序列的隐藏状态表示来解码物品，在保持或提升性能的同时使推理速度提高10倍以上。
2025-09-15 cs.IR
CoST: Contrastive Quantization based Semantic Tokenization for Generative Recommendation
本文提出CoST对比量化语义分词方法，通过融合物品关系与语义信息改进生成式推荐的物品索引，并在MIND上显著提升Recall@5与NDCG@5。
2024-09-07 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology（大连理工大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出RAGR，一种将评论反馈直接融入生成用户序列的新型生成推荐框架，通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略，提升推荐性能。
2026-06-16 cs.IR
CEMG: Collaborative-Enhanced Multimodal Generative Recommendation
Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Columbia University（哥伦比亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Rice University（莱斯大学）
CEMG通过多模态融合层和残差量化变分自编码器，提升多模态生成推荐的性能。
2025-12-25 cs.IR
A Dual-Expert Strategy Integrating LLMs to Mitigate Negative Transfer in Cross-Domain Sequential Recommendation
SK Telecom（SK电信）；KAIST（韩国科学技术院）
本文提出基于LLM的CDSR模型DuELRec，通过域门控双专家框架与双采样对比学习缓解跨域序列推荐的负迁移，在10个域的2个数据集上优于26种SOTA方法。
2026-08-25 cs.IR
VaLiDRec: Variable-Length LLM-Aligned Semantic IDs for Generative Recommendation
University of Queensland（昆士兰大学）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；Griffith University（格里菲斯大学）
研究针对生成式推荐中固定长度语义标识符的问题，提出VaLiDRec框架，通过令牌重要性估计等构建可变长度、大语言模型对齐语义标识符，纳入图感知软提示建模用户偏好，实验证明其性能优越，为生成式推荐提供新范式。
2026-07-29 cs.AI cs.IR
Disentangled Contrastive Learning for Social Recommendation
The Hong Kong Polytechnic University（香港理工大学）；Southern University of Science and Technology（南方科技大学）；Centre for Artificial Intelligence and Robotics (HKISI_CAS)（人工智能与机器人研究所（香港科学院_中国科学院））
针对统一用户表示难以刻画协同域与社交域异构行为的问题，提出 DcRec 框架，通过解耦用户表示及跨域解耦对比学习实现知识迁移，并在多个真实数据集上验证了优越性。
2023-10-03 cs.AI cs.IR
An Event is Worth One Token: Event Tokenization for Industrial-scale LLM Recommendation
AI at Meta（Meta AI）
该研究提出以事件为中心的AMBER方法，将交互快照压缩为事件Token，在工业级推荐基准上提升了计算-质量帕累托前沿，且事件Token可跨模型架构迁移并随容量扩展持续优化。
2026-09-07 cs.IR
Thinking inside The Box: Learning Hypercube Representations for Group Recommendation
群组推荐是对传统个性化推荐的一种超越，它是向一组用户推荐满意的推荐项目。在群体推荐中，核心是设计偏好聚合函数，以获得群体成员偏好的高质量汇总。这样的用户和组偏好通常被表示为向量空间中的点（即，嵌入），其中多个用户嵌入被压缩成一个，以便于对组项对进行排名。然而，所得到的组表示，作为点，缺乏足够的灵活性和能力来考虑多方面的用户偏好。此外，基于点嵌入的偏好聚合是一个群体的决策过程，其中所有用户必须同意在每个嵌入维的某个值，而不是一个可协商的间隔不太忠实的反映。在本文中，我们提出了一种新的表示群通过概念的超立方体，这是子空间包含无数的点在向量空间。具体来说，我们设计的超立方体推荐（CubeRec）自适应学习组超立方体从用户嵌入在偏好聚合过程中的信息损失最小，并利用一个改进的距离度量来衡量组超立方体和项目点之间的亲和力。此外，针对群组推荐中数据稀疏性的长期问题，我们充分利用超立方体的几何表达能力，并创新性地通过交叉两个群组来引入自我监督。在四个真实世界数据集上的实验验证了CubeRec相对于最先进基线的优越性。
2022-12-05 cs.IR
Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation
针对多行为推荐中表示学习的过平滑与高频偏差问题，提出 CascadingRank，通过级联行为图和迭代排序实现个性化推荐并取得显著性能提升。
2025-02-17 cs.IR
Learning Robust Personalized Prompts for LLM-Driven Sequential Recommendation
Zhejiang University（浙江大学）
针对LLM序列推荐中提示敏感性问题，提出LRPRec框架，通过个性化提示注入与语义漂移约束，在三个基准上超越强基线并免去手动调优。
2026-10-06 cs.IR
Hierarchical Attentive Knowledge Graph Embedding for Personalized Recommendation
Nanyang Technological University（南洋理工大学）；Macquarie University（麦考瑞大学）
事实证明，知识图谱（KG）对于高质量推荐是有效的，其中用户和项目之间的连接性为用户与项目的交互提供了丰富且互补的信息。然而，大多数现有的方法，是不足以利用的KG捕捉用户的喜好，因为他们要么表示用户项目的连接性通过路径有限的表现力或隐式地通过传播信息在整个KG不可避免的噪声模型。在本文中，我们设计了一个新的分层注意知识图谱嵌入（HAKG）框架，利用知识图谱进行有效的推荐。具体来说，HAKG首先提取的表达子图，链接用户项目对，以表征其连接性，这既容纳语义和拓扑结构的KG。然后，通过分层关注子图编码对子图进行编码，以生成用于增强的用户偏好预测的有效子图嵌入。大量的实验表明，HAKG对国家的最先进的推荐方法的优越性，以及其在缓解数据稀疏性问题的潜力。
2021-09-15 cs.IR cs.LG
Generating Long Semantic IDs in Parallel for Recommendation
针对生成式语义ID推荐模型推理效率低且ID长度受限的问题，本文提出RPG框架，通过并行生成无序长语义ID并引入图引导解码，在NDCG@10上平均提升12.6%并改善推理效率。
2025-06-06 cs.IR
Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation
Michigan State University（密歇根州立大学）；Snap Inc.（Snap公司）
研究基于大语言模型的生成式推荐中解码树结构问题，提出BONSAI框架，从项目元数据提取信息丰富的词，用最小集覆盖公式构建满足自适应ID长度和约束分支因子属性的解码树，实验显示比基线有高达21.6%的相对改进。
2026-07-21 cs.IR
HGCRS: Hypergraph-Enhanced Generative Conversational Recommender System
Nanyang Technological University（南洋理工大学）
本文提出了一种统一推荐与对话生成的生成式对话推荐系统，通过单个自回归框架实现端到端优化，提升了推荐性能和对话质量。
2026-11-06 cs.IR
A Collective Variational Autoencoder for Top-$N$ Recommendation with Side Information
推荐系统由于其在许多现实世界中的实际应用而得到了广泛的研究。尽管如此，用稀疏的用户评级生成有效的推荐仍然是一个挑战。与项目相关联的边信息已被广泛用于解决评级稀疏性。现有的推荐模型，使用边信息是线性的，因此，有限制的表达。深度学习已经被用于通过从辅助信息学习深度项表示来捕获非线性，但是由于辅助信息是高维的，现有的深度模型往往具有大的输入维度，这支配了它们的整体大小。这使他们难以训练，特别是投入少的情况下。在本文中，我们建议通过边信息的深度学习来学习特征表示，而不是学习高维边信息的项目表示。另一方面，学习特征表示确保了足够数量的输入来训练深度网络。为了实现这一点，我们建议同时恢复用户评级和边信息，通过使用变分自编码器（VAE）。具体地，用户评级和边信息通过相同的推理网络和生成网络被共同编码和解码。这是可能的，因为用户评级和辅助信息都是与项目相关联的数据。为了考虑用户评级和边信息的异质性，生成网络的最后一层根据信息的类型遵循不同的分布。该模型易于实现和有效的优化，并表现出优于国家的最先进的顶级$N$推荐方法，使用边信息。
2018-07-16 cs.IR
SPRINT: Single-Step Generative Recommendation via Average Probability Velocity
University of Technology Sydney（悉尼科技大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
本文提出SPRINT，一种基于平均概率速度的单步生成式推荐方法，通过双向Transformer在单次前向传播中生成SID，并设计双层对比目标保持令牌连贯性，实现高效且准确的推荐。
2026-09-29 cs.IR
Future-Conditioned Recommendations with Multi-Objective Controllable Decision Transformer
针对推荐系统未来影响难评估、多目标易冲突及迭代成本高的问题，提出多目标可控决策Transformer模型MocDT，通过离线学习目标到物品序列的映射，实现推理阶段按需生成推荐且性能具竞争力。
2025-01-13 cs.IR
LoopMemGR: From Behavior Logs to Evolving Memory for Generative Recommendation
Alibaba Group（阿里巴巴集团）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
该研究针对生成式推荐中系统侧记忆缺失的问题，提出LoopMemGR框架，通过维护推荐体验日志并提取多视图信号，在淘宝数据集上验证了方法的有效性。
2026-09-10 cs.IR
Multi-Behavior Generative Recommendation
提出多行为序列生成式推荐框架 MBGen，通过交错 token 序列实现两步预测并采用位置路由稀疏架构扩展模型，在多任务上显著优于现有方法。
2024-07-30 cs.IR
From Token Generation to Item Ranking: Direct Generative Recommendation with Semantic IDs
Central South University（中南大学）；Hong Kong Polytechnic University（香港理工大学）；National University of Defense Technology（国防科技大学）；City University of Macau（澳门城市大学）；Griffith University（格里菲斯大学）
SimGR通过在共享潜在空间中直接建模物品层面偏好分布，缓解了基于LLM推荐中生成解码的偏差问题。
2026-08-18 cs.IR
Uncertainty-aware Generative Recommendation
University of Science and Technology of China（中国科学技术大学）
提出不确定性感知生成式推荐框架UGR，通过不确定性加权奖励、难度感知优化和显式置信度对齐，解决生成式推荐中忽视模型置信度导致的训练不稳定和决策风险问题。
2026-06-11 cs.IR
Trie-Aware Transformers for Generative Recommendation
Zhejiang University（浙江大学）
TrieRec通过引入基于Trie的结构归纳偏差，改进生成推荐中的自回归建模，提升推荐效果。
2026-02-25 cs.IR cs.LG
TransRetrieval: Scaling Up Transformer-Based Retrieval for Industrial Recommendation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）
针对工业推荐检索的特征异质性问题，提出TransRetrieval框架，通过加权平均聚合、目标token压缩等技术实现高效缩放，在数据集和基准测试中取得召回率提升，线上测试也实现收益增长。
2026-08-27 cs.IR
TriAlignGR: Triangular Multitask Alignment with Multimodal Deep Interest Mining for Generative Recommendation
Southeast University（东南大学）；Tsinghua University（清华大学）；Shenzhen University（深圳大学）；Fudan University（复旦大学）；Zhejiang University（浙江大学）；Swinburne University of Technology（斯威本科技大学）
提出TriAlignGR统一多任务多模态框架，通过两阶段语义传播和三角多任务对齐，解决语义ID中的内容退化与语义不透明问题，实现生成式推荐。
2026-06-02 cs.IR
Why Generate When You Can Transform? Unleashing Generative Attention for Dynamic Recommendation
针对传统注意力机制难以捕捉用户动态非线性偏好的问题，该研究提出生成式注意力机制，通过理论证明其优势，并构建基于VAE和DM的两种序列推荐模型，实验显示其在准确率和多样性上均优于SOTA。
2025-08-04 cs.IR
Bi-Level Optimization for Generative Recommendation: Bridging Tokenization and Generation
University of Science and Technology of China（中国科学技术大学）；Beihang University（北京航空航天大学）；National University of Singapore（新加坡国立大学）；Upwork
本文提出BLOGER框架，通过双层优化统一分词与推荐器，解决两者间依赖关系。实验表明其在多个真实数据集上优于现有方法，且计算效率高。
2026-04-16 cs.IR
Topology-Aware Tokenization for Generative Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究针对生成式推荐中项目词元化的拓扑失真问题，提出拓扑感知词元化框架TopoTok，通过多级蒸馏方案逐步恢复拓扑，实验表明该方法有效减轻失真，优于现有词元化器，提升了生成式推荐性能。
2026-07-22 cs.IR
SPARC: Sequence-aware Progressive Attribute Routing and Compression Framework for Generative Recommendation
Alibaba Group（阿里巴巴集团）
研究针对生成式推荐中现有离散语义ID问题，提出SPARC框架，通过建模序列依赖、路由多表示到插槽及轻量级交互，在不增输入长度下丰富用户历史表示，实验证明其性能优于基线，改进源于上下文条件信息保留。
2026-07-29 cs.IR
Personalized LLM Recommendation with Semantic IDs: Autoregressive Beam Search vs. Multi-Token Prediction
Netflix Personalization Foundations Team（Netflix个性化基础团队）
本文对比了个性化LLM推荐中SID生成的自回归集束搜索与MTP两种范式，发现前者在多数关键指标上更优，仅推理吞吐量不及后者，还通过强化学习解决了SID词汇扩展导致的语言指标回归问题。
2026-10-14 cs.AI cs.CL cs.IR
BBQRec: Behavior-Bind Quantization for Multi-Modal Sequential Recommendation
针对多模态序列推荐中碎片化量化和语义ID过度依赖导致的跨模态语义割裂问题，提出BBQRec方法，通过行为-语义对比码本对齐和离散化相似度重加权机制，在四个基准上取得优于现有方法的推荐性能。
2025-04-09 cs.IR
Reward Guided Decoding for Generative Recommendation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；Kuaishou Technology（快手科技）；Peking University（北京大学）
研究针对生成式推荐解码受生成似然性主导与业务目标冲突的问题，提出奖励引导解码（RGD）框架，将价值引导解码公式化为KL正则化奖励最大化问题，通过引入奖励模型重塑搜索轨迹，经实验验证有效且已在快手平台部署。
2026-07-29 cs.IR
TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；RealAI；Tsinghua University（清华大学）
基于会话的推荐技术是一种基于匿名会话预测用户行为的推荐技术。已经出现了许多研究，通过研究会话中项目的时间转换，将会话建模为序列或图。然而，这些方法将会话压缩成一个固定的表示向量，而不考虑要预测的目标项。考虑到目标项目和用户兴趣的多样性，固定向量将限制推荐模型的表示能力。提出了一种新的基于会话的目标注意图神经网络（TAGNN）推荐模型。在TAGNN中，目标感知注意自适应地激活不同的用户兴趣相对于不同的目标项目。学习的兴趣表示向量随目标项目的不同而变化，大大提高了模型的表达能力。此外，TAGNN利用图神经网络的能力来捕获会话中的丰富项目转换。在真实世界数据集上进行的综合实验证明了其优于最先进的方法。
2020-05-06 cs.IR cs.LG
CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Meta；University of California San Diego（加州大学圣地亚哥分校）
CoFiRec通过粗到细分词提升生成推荐效果，有效捕捉用户意图演变。
2026-09-01 cs.AI cs.IR
Rotate Both Ways: Time-and-Order RoPE for Generative Recommendation
本文提出时间与顺序RoPE（TO-RoPE），通过将索引和时间作为角度来源直接塑造查询-键几何，联合建模用户行为序列中的时间与顺序信息，在公开和工业数据集上显著提升生成式推荐的准确性。
2025-10-23 cs.IR
Improving Sequential Recommendation Consistency with Self-Supervised Imitation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
大多数顺序推荐模型捕捉用户-项目交互历史中连续项目的特征。虽然有效，但它们的表示表达能力仍然受到稀疏学习信号的阻碍。因此，顺序推荐器容易做出不一致的预测。在本文中，我们提出了一个模型，SSI，以提高自我监督模仿的顺序推荐一致性。准确地说，我们提取的一致性知识，利用三个自我监督的预训练任务，其中时间一致性和人物角色一致性捕捉用户交互动态的时间顺序和人物角色的敏感性，分别。此外，为了提供具有全局视角的模型，通过最大化全局和局部交互序列之间的互信息来引入全局会话一致性。最后，为了综合利用一致性增强知识的所有三个独立方面，我们建立了一个集成的模仿学习框架。一致性知识被有效地内化，并通过模仿传统的预测logit以及一致性增强的项目表示转移到学生模型。此外，灵活的自我监督模仿框架也可以使其他学生学习者受益。四个真实世界的数据集上的实验表明，SSI有效地优于国家的最先进的顺序推荐方法。
2021-06-29 cs.IR cs.LG
APAO: Bridging the Training-Inference Gap in Generative Recommendation via Adaptive Prefix-Aware Optimization
DCST, Tsinghua University（清华大学计算机科学与技术系）；Quancheng Laboratory（泉城实验室）；AIR, Tsinghua University（清华大学智能产业研究院）
针对生成式推荐中训练与推理不一致的问题，提出自适应前缀感知优化框架，通过前缀级损失和自适应最差前缀优化策略，提升模型在束搜索下的候选保留能力。
2026-07-01 cs.IR
LLaDA-Rec: Discrete Diffusion for Parallel Semantic ID Generation in Generative Recommendation
Gaoling School of Artificial Intelligence（人工智能学院）；University of International Business and Economics（国际经贸大学）；AI Lab at Lenovo Research（联想研究院人工智能实验室）
针对现有生成式推荐自回归模型的单向约束和误差累积问题，提出离散扩散框架LLaDA-Rec，通过并行语义ID生成等设计，在三个真实数据集上优于现有方法，确立新范式。
2025-11-09 cs.CL cs.IR
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
Platform and Content Group, Tencent（腾讯平台与内容组）；Sun Yat-sen University（中山大学）
提出HiGR框架，通过结构化语义ID和层次化解码器解决生成式推荐在工业规模下的规划效率与列表质量对齐问题，离线质量提升超10%，推理加速5倍。
2026-06-12 cs.AI cs.IR
Generate Natural Language Explanations for Recommendation
Rutgers University（罗格斯大学）；Tsinghua University（清华大学）
为推荐提供个性化的解释可以帮助用户理解推荐结果的潜在洞察力，这有助于提高推荐系统的有效性、透明度、说服力和可信度。目前的可解释推荐模型大多基于预定义的句子模板生成文本解释。然而，基于模板的解释语句的表达能力仅限于预定义的表达式，并且手动定义表达式需要大量的人工努力。出于这个问题，我们建议生成自由文本自然语言解释的个性化推荐。特别是，我们提出了一个层次化的序列到序列模型（HSS）的个性化解释生成。与传统的自然语言处理研究中的句子生成不同，电子商务推荐中的解释生成面临的一个巨大挑战是用户评论中的句子并非都是解释性的。为了解决这个问题，我们进一步提出了一个自动去噪机制的基础上，主题项目的特征词的句子生成。在多个电子商务产品领域的实验表明，该方法不仅可以提高推荐准确率，而且在离线度量和特征词覆盖率方面也提高了解释质量。这项研究是授予智能代理基于自然语言句子解释自己的能力的初步步骤之一。
2021-01-09 cs.AI cs.CL cs.IR
Inductive Generative Recommendation via Retrieval-based Speculation
University of California, San Diego（加州大学圣迭戈分校）
SpecGR通过引入检索生成机制，提升生成推荐模型在归纳设置下的推荐能力与整体性能。
2025-11-21 cs.IR
Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation
Kuaishou Technology（快手科技）
针对生成式推荐中语义与协同信号跨阶段解耦问题，提出SCRec框架，通过协同增强分词、语义引导生成和流形对齐实现双向信息补充，提升语义连贯性与推荐准确性。
2026-09-15 cs.IR
From IDs to Semantics: A Generative Framework for Cross-Domain Recommendation with Adaptive Semantic Tokenization
Xi’an Jiaotong–Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）
针对跨域推荐中ID分词困境、域专属建模不足的问题，本文提出生成式框架GenCDR，通过自适应分词、跨域自回归建模与域感知前缀树实现跨域推荐，实验证明其性能优于现有最优基线。
2025-11-16 cs.IR
From Past To Path: Masked History Learning for Next-Item Prediction in Generative Recommendation
College of Computer Science, Chongqing University（重庆大学计算机学院）；MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部门）；Independent Researcher（独立研究员）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
本文提出Masked History Learning框架，通过重建掩码的历史项目增强对用户行为的理解，从而提升推荐准确性。
2026-04-23 cs.CL cs.IR
