论文
EPIC：用于语义 ID 扩散的显式后项调节建议
EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation
摘要
语义 ID (SID) 生成推荐通过生成离散标记的短元组来预测下一个项目。最近的掩蔽扩散方法通过双向上下文和灵活解码改进了这一过程，但推荐最终需要在完整的目录项中进行选择。在每个去噪步骤中，部分 SID 可以对应于多个可行项，而现有方法主要通过位置明智的标记预测进行推理。我们提出显式后验项目调节（EPIC），它将显式项目级竞争引入到 SID 去噪中。 EPIC 使用当前生成上下文和用户最近的交互来构建可行候选项目的个性化后验，然后将此分布投影回未解析的 SID 位置以指导后续词元决策。预训练的骨干网保持冻结状态，不需要额外的解码器前向传递。对四个亚马逊基准进行的实验显示，相对于强大的基线，取得了一致的改进，而诊断分析表明，这些收益主要来自个性化的过渡证据，这些证据在去噪过程中保留了有希望的项目假设。