HypRQ-VAE：长尾感知生成推荐系统的双曲项目索引

顺序推荐系统将用户行为建模为项目 ID 序列，而最近的生成方法使用 大语言模型 (LLM) 将推荐转换为语言建模任务。虽然这种范例结合了丰富的文本语义，但它引入了一个根本性的不匹配：LLM 对文本标记进行操作，而推荐系统依赖于离散的项目索引。这种不一致常常会导致生成建议产生幻觉。现有的方法试图通过学习欧几里得空间中的项目词汇来弥补这一差距，但它们很难对现实世界目录固有的长尾分布进行建模，其中少量的头部项目占主导地位，而大量的尾部项目反映了用户的利基偏好。为了解决这个问题，我们引入了双曲残差量化变分自动编码器（HypRQ-VAE），这是第一个在双曲空间中学习项目索引的框架。 HypRQ-VAE 利用双曲几何的独特属性，其指数体积膨胀自然地适应用户-项目交互的幂律结构。这使得模型能够编码丰富的文本语义，同时保留稀疏、长尾项目的表示保真度。在三个基准数据集上的实验表明，HypRQ-VAE 显着提高了推荐性能，特别是在推荐尾部项目方面。我们的分析将这些收益归因于双曲空间对项目层次结构和生成推荐中的稀疏性进行建模的卓越能力。我们的代码和数据位于：https://github.com/wulongfeng/HypRQ-VAE。