myWiki/concepts/generative-recommendation.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
Generative Recommendation	2026-06-28	2026-06-28	concept	recommender-systems generative-models llm semantic-id	GR4AD

Generative Recommendation

生成式推荐（Generative Recommendation）将推荐系统重构为端到端生成任务：通过semantic-id将物品编码为离散 token 序列，再用序列模型逐 token 预测下一个物品的 ID，将推荐转化为 next-token prediction。相比传统 DLRM（Deep Learning Recommendation Model）的 embedding-based 检索+排序两阶段架构，生成式推荐具有更强的扩展潜力和模型容量。

核心流程

1. Tokenization：将物品（广告创意、商品等）映射为离散的语义 ID 序列——通常是多级层次结构（如 $s_1, s_2, ..., s_T$），每级对应语义空间中的不同粒度簇
2. 生成：基于用户上下文 $X$，自回归地生成目标物品的 ID 序列 P(y|X) = \prod_{t=1}^T P(s_t|X, s_{<t})
3. 解码：将生成的 ID 序列通过索引反向查找对应的物品列表，返回给用户

关键挑战

在大规模广告场景中部署生成式推荐面临三项独特挑战：

1. 广告 Tokenization：广告创意融合了视频属性、产品细节、B2B 广告主元数据等多模态多粒度信息，且存在转化类型、广告账户等非语义业务信号
2. 学习范式：广告推荐优化的是列表级业务目标（eCPM、NDCG），而非逐 item 的分类正确率。LLM 风格的 per-item 监督学习方法不足
3. 实时服务：必须在高流量、严格延迟约束下生成多候选高质量列表，不能容忍 LLM 式的长解码延迟

代表系统

系统	关键创新	部署规模
TIGER	分层 RQ-VAE Semantic ID	学术
OneRec	检索+排序统一生成	快手
GR4AD	UA-SID + LazyAR + RSPO	快手 4 亿用户
GPR	广告生成式检索	学术

参考

• GR4AD — Kuaishou 广告生成式推荐系统
• semantic-id
• ua-sid