RAGR：审查增强生成推荐

顺序推荐（SR）传统上被表述为对按时间顺序排列的项目交互的下一个项目预测。尽管最近的生成推荐（GR）方法引入了新机制，例如语义 ID、自回归解码和统一标记空间，但它们在很大程度上继承了相同的仅项目建模假设。我们认为这种设计构成了结构性瓶颈，因为用户决策并不是纯粹的行为：虽然项目交互揭示了用户的选择，但评论反馈通常通过暴露潜在的评价因素来解释他们选择的原因。受这一观察的启发，我们提出了评论增强生成推荐（RAGR），这是一种新颖的 GR 框架，它将评论反馈纳入生成用户序列中，而不是将评论视为辅助辅助信息。具体来说，RAGR 引入了评论增强用户序列建模机制，该机制按时间顺序交错项目语义 ID 和评论语义 ID，构建混合的行为语义序列，使评论信号能够直接参与自回归的下一个词元生成。为了保持推荐目标，我们进一步引入了基于直接偏好优化（DPO）的以项目为中心的任务生成对齐策略，鼓励模型在预测位置偏向项目标记而不是评论标记。对三个真实世界数据集的实验表明，RAGR 比强大的 GR 主干网产生一致且显着的收益。我们的代码可在 https://github.com/Zhang-Yingyi/RAGR 获取。