超越固定的深度和宽度：优化基于 LLM 的生成推荐中的文本解码尝试

生成推荐（GR）是推荐系统中越来越流行的范例，其中一个突出的工作是使用 LLM 作为自回归主干来预测下一个项目的术语 ID（例如标题或关键字）。自回归生成的成功取决于解码特里树上的约束波束搜索，以确保生成的输出对应于有效项。然而，当前的研究主要集中在生成更全面的术语ID来描述项目，而很大程度上忽略了由这些术语形成的解码特里树的结构设计。这可能会导致特里树不适合波束搜索，从而降低性能。为了解决这个问题，我们从解码 trie 优化的角度检查术语 ID 的有效性。通过经验和理论分析，我们确定了高性能特里树的两个理想属性：（1）自适应和可变的ID长度，使得具有不同语义丰富度的项目能够由适当长度的ID来表示，以及（2）受约束的分支因子，特别是在浅层，这大大提高了受约束波束搜索的成功率。受这些属性的推动，我们引入了 BONSAI：自适应标识符的分支优化节点结构，这是一个共同设计文本术语 ID 及其底层解码 trie 的新颖框架。 BONSAI 从项目元数据中提取推荐信息词，并采用最小集覆盖公式来递归构建满足上述属性的特里树。实验表明，与最先进的基线相比，BONSAI 的相对改进高达 21.6%。进一步的分析证实了我们提出的属性的关键作用，并证明了它们的通用性，可用于增强其他术语 ID 方法的性能。