偏好形状相关性：用于个性化生成检索的跨组件分层语义对齐

生成检索 (GR) 已成为一种有前途的范例，它通过将查询直接映射到具有强大的候选项目表示能力的语义 ID (SID)。然而，仅从项目内容派生的现有 SID 会产生语义差距，无法将动态查询意图与静态项目表示保持一致。此外，当前的生成范式很少对用户行为序列进行建模，并且总是受到波束搜索自回归解码的高推理延迟的瓶颈。为了应对这些挑战，我们提出了$\textbf{C}$ross-component $\textbf{H}$分层语义$\textbf{A}$lignment for $\textbf{P}$个性化生成检索（$\textbf{CHAP}$），这是一种从层次角度来看的新颖的个性化GR框架。首先，我们设计了一个分层语义对齐模块，将查询的潜在空间与项目的量化路径对齐并同步多粒度语义。其次，我们构建了一个个性化的 GR 框架，通过协同离散 SID 进行结构指导和连续表示进行细粒度语义细化来建模用户行为。值得注意的是，我们引入了残差级联生成机制，将昂贵的多步 Transformer 解码器限制为单通道推理，从而提高推理吞吐量，同时减少信息丢失。对三个公共数据集、一个专有工业数据集和在线 A/B 测试的广泛实验证明了 CHAP 的优越性，验证了我们方法的有效性和实用价值。该代码可在 https://github.com/zzzgm/CHAP 上公开获取。