TAAL：通过时间自回归对齐减轻生成推荐中的早期光束剪枝

生成推荐将项目编码为分层语义标识符 (SID)，并通过自回归解码检索下一个项目。然而，标准的下一个词元预测并未明确涵盖交互序列中存在的多模态转换，使得 真值 SID 容易受到早期波束搜索分支的不可逆修剪。在三个公共基准测试中，我们发现 91.9%--96.6% 的检索失败发生在前两个解码步骤中。因此，我们提出时间自回归对齐（TAAL）。在训练期间，TAAL 根据历史转换构建联合 $(c_1,c_2)$ 软目标，并将早期前缀分布与前向 KL 目标对齐。在推理过程中，它使用逐点互信息（PMI）校准候选分数，以减少全局频繁前缀的影响。在 Amazon Beauty、Instruments 和 Yelp 上，TAAL 将 NDCG@10 比标准基线分别提高了 39.5\%、6.7\% 和 28.6\%，同时将 full-SID 生存率提高了 3.9\%--16.6\%。波束宽度分析进一步表明，相对生存增益随着波束变窄而增长，在 $B=5$ 时达到 39.4%。