UniRec：通过属性链弥合生成推荐和判别推荐之间的表达差距

生成推荐 (GR) 将检索和排序重新构建为语义 ID (SID) 上的自回归解码，将多级管道统一为单个模型。然而，基本的表达差距仍然存在：判别模型通过直接特征访问对项目进行评分，从而实现显式的用户项目交叉，而 GR 在没有项目侧信号的情况下通过紧凑的 SID 词元进行解码。我们通过贝叶斯定理将其形式化：按 p(y|f,u) 排名相当于按 p(f|y,u) 排名，后者对项目特征进行自回归分解，表明具有完整特征访问的生成模型与其判别性模型相匹配，任何实际差距仅源于不完整的特征覆盖。我们提出以属性链（CoA）为核心机制的 UniRec。 CoA 在解码 SID 之前为每个 SID 序列添加结构化属性标记（类别、卖家、品牌）前缀，恢复区分模型所利用的项目侧特征。由于共享相同属性的项目聚集在相邻的 SID 区域中，因此属性调节会产生可测量的每步熵减少 H(s_k|s<k,a) < H(s_k|s<k)，从而缩小搜索空间并稳定波束搜索。我们进一步解决了两个部署挑战：容量受限的SID在残差量化中引入了暴露加权容量惩罚，以抑制词元崩溃和马太效应；条件解码上下文 (CDC) 将任务条件 BOS 与基于哈希的内容摘要相结合，在每个解码步骤注入场景信号。 RFT 和 DPO 联合框架使模型与分销匹配之外的业务目标保持一致。实验表明，UniRec 的整体 HR@50 表现优于最强基线 22.6%，高价值订单表现优于最强基线 15.5%。部署在 Shopee 电子商务平台上的在线 A/B 测试证实 PVCTR (+5.37%)、订单 (+4.76%) 和 GMV (+5.60%) 显着增长。