Проблема существующих генеративных моделей
Генеративные рекомендательные системы (GR) трансформировали подход к предсказанию интересов, формируя рекомендации как авторегрессионную генерацию семантических идентификаторов (SIDs). Однако текущие решения сталкиваются с двумя критическими ограничениями: они игнорируют коллаборативные корреляции между доменами на этапе токенизации и используют неэффективные стратегии декодирования, такие как beam search, что делает их непригодными для реального времени.
Решение: архитектура GenCDSR
Исследователи предложили фреймворк GenCDSR, который внедряет два ключевых механизма:
- Кросс-доменная гибридная токенизация: Использует многобашенную архитектуру (multi-tower) с иерархическими общими и специфичными для домена кодовыми книгами (codebooks). Это позволяет совместно захватывать общие паттерны и уникальные особенности разных доменов.
- Последовательно-параллельное декодирование: Стратегия использует иерархическую структуру SIDs для частичной параллелизации генерации. Это сохраняет согласованность вывода, но радикально сокращает время инференса.
Результаты и метрики
Эксперименты проводились на трех публичных наборах данных. GenCDSR демонстрирует значительное превосходство над состоянием искусства (SOTA) в балансе точности и скорости:
| Метрика | Результат GenCDSR | Сравнение с SOTA |
|---|---|---|
| Точность (Accuracy) | Улучшение | +1,5% (в среднем) |
| Задержка инференса (Latency) | Снижение | -85,1% (в среднем) |
Значение для индустрии
Работа принята к публикации на конференции RecSys 2026. Снижение задержки на 85% делает генеративные рекомендации жизнеспособными для высоконагруженных систем реального времени, где ранее они были слишком медленными. Код и датасеты доступны для воспроизведения результатов.
Источник: arXiv cs.AI ↗