UNGER：通过语义和协同集成实现统一代码的生成式推荐系统

《ACM Transactions on Information Systems》：UNGER: Generative Recommendation with A Unified Code via Semantic and Collaborative Integration

生成推荐中，现有方法通过量化不同模态的协同或语义表示生成独立编码，导致计算存储成本高且模态优势未充分整合。本文提出UNGER方法，通过联合优化跨模态知识对齐与下一项目预测，学习统一嵌入，并引入内模态知识蒸馏补偿量化损失，在三个基准测试中验证其优越性。

　　

摘要

随着生成式范式的兴起，生成式推荐系统受到了越来越多的关注。其核心组成部分是项目“代码”，通常通过量化协作式或语义表示来生成，作为上下文中的候选项目标识符。然而，现有方法通常为每种模式分别生成代码，这导致计算和存储成本增加，并阻碍了它们互补优势的整合。鉴于这一限制，我们试图将两种不同的模式整合到一个统一的代码中，从而充分发挥它们之间的互补作用。尽管如此，这种整合仍然具有挑战性：通过简单的连接方法得到的集成嵌入可能会导致协作知识的利用率低下，从而影响推荐效果。

为了解决这个问题，我们提出了一种名为UNGER的新方法，该方法将语义知识和协作知识整合到一个统一的代码中，用于生成式推荐。具体来说，我们提出通过跨模式知识对齐和下一个项目预测任务的联合优化来动态“学习”集成嵌入。随后，为了减轻量化过程造成的信息损失，我们引入了模内知识蒸馏任务，利用集成嵌入作为监督信号来进行补偿。在三个广泛使用的基准测试上的大量实验表明，我们的方法优于现有方法。