概念Semantic ID / semantic ID
语义ID
在生成式推荐中把离散物品映射为token序列的表示方式，通常由RQ-VAE、残差量化或分层聚类等量化方法生成。每一级码本对应一个粒度层级，前几位编码粗粒度类别，后几位编码细粒度差异，使物品预测转化为序列生成问题。
时间轴 (近 90 天)
10月26日
生成式推荐系统正逐渐成为序列推荐的主流范式，其中语义ID通过将物品表示为离散编码序列，并直接预测这些编码来生成推荐结果。
待验证50%
10月26日
语义ID通常通过对物品的稠密语义表示进行量化得到，常见做法包括K-means聚类、残差量化（RQ）与乘积量化（PQ）等技术。
待验证50%
10月14日
现有生成式推荐方法大多只使用标准的因果交叉熵目标来优化语义ID预测，忽略了语义ID本身的层级结构。
待验证50%
10月14日
标准因果交叉熵对序列中每个位置的token一视同仁，不区分token处于哪一级语义ID层级，将本可分解为树状结构的预测任务压扁为彼此独立的分类问题。
待验证50%
10月14日
语义ID的质量直接决定了生成式推荐的上限，因为它既是输入表示，也是生成目标。
待验证50%
10月14日
生成式推荐的核心思路是把物品编码成语义ID，再用自回归方式逐层生成这些ID。
待验证50%
全部知识事实 (6)
待验证
生成式推荐系统正逐渐成为序列推荐的主流范式，其中语义ID通过将物品表示为离散编码序列，并直接预测这些编码来生成推荐结果。
50%待验证语义ID通常通过对物品的稠密语义表示进行量化得到，常见做法包括K-means聚类、残差量化（RQ）与乘积量化（PQ）等技术。
50%待验证现有生成式推荐方法大多只使用标准的因果交叉熵目标来优化语义ID预测，忽略了语义ID本身的层级结构。
50%待验证标准因果交叉熵对序列中每个位置的token一视同仁，不区分token处于哪一级语义ID层级，将本可分解为树状结构的预测任务压扁为彼此独立的分类问题。
50%待验证语义ID的质量直接决定了生成式推荐的上限，因为它既是输入表示，也是生成目标。
50%待验证生成式推荐的核心思路是把物品编码成语义ID，再用自回归方式逐层生成这些ID。
50%