事件/论文概述

跨域序列推荐（Cross-Domain Sequential Recommendation, CDSR）一直是推荐系统领域的重要研究方向，其核心目标是在多个业务域之间建模用户动态的兴趣迁移与行为序列模式。传统 CDSR 方法通常依赖复杂的特征工程或专门的序列模型，而随着生成式推荐（Generative Recommendation, GR）范式的兴起，业界开始尝试将推荐任务视为一个自回归生成问题：先从物品语义中学习语义标识符（Semantic Identifiers, SIDs），再通过序列生成的方式来预测用户下一个可能交互的物品。

然而，现有生成式推荐方法在实际落地中普遍面临两大痛点：

  1. 分词阶段忽略跨域协同相关性：现有方法在构建 token 时，往往只关注物品本身的语义信息，没有充分利用跨域用户行为中隐含的协同过滤信号，导致生成的 SID 难以刻画跨域共性。
  2. 解码阶段推理效率低下：为了追求生成质量，常见解码策略（如 beam search）计算开销巨大，严重制约了生成式推荐在实时推荐场景中的部署。

针对上述问题，来自澳大利亚莫纳什大学、中国科学技术大学、南洋理工大学等机构的研究团队（Yuxuan Hu、Yuhao Wang、Tianbo Huang、Chao Zhang、Ziwei Liu、Lihua Zhang、Xiangyu Zhao）提出了一种高效的生成式跨域序列推荐框架 GenCDSR。该研究已被 RecSys 2026 接收，论文于 2026 年 7 月 21 日提交至 arXiv。

论文链接：https://arxiv.org/abs/2607.28659
开源代码：https://github.com/Applied-Machine-Learning-Lab/RecSys2026_GenCDSR

关键技术点

GenCDSR 的核心贡献可以概括为两大机制。

1. 跨域混合分词机制（Cross-Domain Hybrid Tokenization）

GenCDSR 设计了一种多塔（multi-tower）架构的混合分词机制。该机制通过层次化的共享-专属（shared-specific）码本与细粒度码本协同工作：

  • 共享码本负责捕捉跨域用户行为中的共性模式，使得不同域之间的物品能够在对齐的语义空间中表达；
  • 专属码本则用于保留各个域自身的独特偏好与物品特征，避免过度共享导致的信息混淆；
  • 细粒度码本进一步补充更精细的语义区分，确保不同粒度上的序列模式都能被有效建模。

这种分层、混合的分词方式，使得模型在 token 化阶段就能将跨域协同信息注入 SID 的构建过程，为后续生成式推荐打下了更强的表征基础。

2. 跨域串并行混合解码策略（Serial-Parallel Decoding）

针对 beam search 等传统自回归解码策略效率低下的问题，GenCDSR 利用层次化 SID 的结构特性，设计了一种串并行混合解码策略：

  • 在 SID 的层级结构中，高层级 token（如域级别、粗粒度兴趣类别）之间仍然保持串行依赖；
  • 而 低层级 token（如细粒度物品 ID）在同一高层级约束下可以并行生成。

这种设计在保持生成结果一致性的前提下，将部分生成过程并行化，大幅减少了推理所需的解码步数，从而显著降低了端到端推理延迟。

3. 实验效果

研究团队在三个公开数据集上进行了实验评测。实验结果表明，与当前最先进的基线方法相比，GenCDSR 在推荐精度上取得了平均 1.5% 的提升，同时将平均推理延迟降低了 85.1%。论文同时开源了实现代码和数据集。

对数据科学及 AI Agent 落地的意义

这篇工作对于生成式推荐乃至更广泛的 AI 系统落地具有值得关注的参考价值，主要体现在以下几个方面：

  • 生成式推荐的工业化瓶颈有了新解法：长期以来，生成式推荐虽然在精度和灵活性上表现出潜力，但其生成式解码带来的高延迟始终是落地时难以回避的问题。GenCDSR 将层次化语义结构与解码策略结合，从算法层面直接缓解了这一瓶颈，使得生成式推荐向实时在线服务迈出了坚实一步。
  • 跨域协同的建模思路值得借鉴：其在 token 化阶段引入跨域共享-专属码本的思想，本质上是一个通用的多域表征学习框架。对于需要在多个业务线之间共享数据信号的推荐中台系统而言，这一设计具有很强的可迁移性。
  • 对齐大模型时代的 AI Agent 推荐范式：随着 AI Agent 在电商、内容分发等场景中的渗透，推荐系统越来越多地与自然语言交互、多步推理等能力相结合。SID 本质上是一种让推荐系统与语言模型对齐的“词汇表”。GenCDSR 在保证语义对齐能力的同时提升了推理效率，为 Agent 驱动的推荐助手在延迟敏感场景中的部署铺垫了技术路径。

我的技术点评

生成式推荐在过去两年迎来了复兴，但坦率地说，很多工作仍然停留在“用语言模型做推荐”的表层结合上，在 tokenization 和 decoding 这两个关键环节缺乏深入的系统性设计。GenCDSR 的工作恰恰击中了这两个要害。

  • 亮点一：将协同信号注入 tokenization 是明智之举。 纯粹的语义 ID 虽然具备语义泛化能力，但容易丢失用户行为中的协同过滤信息。GenCDSR 通过共享-专属码本的设计，在 SID 构建阶段就融合了跨域协同信号，这一思路简洁却有效。
  • 亮点二：串并行解码的思路在工程上非常有价值。 85.1% 的延迟降低是相当惊人的数字。如果该结果在真实在线环境（而非离线数据集）中能够复现，那么它完全可以支撑生成式推荐从“实验室 demo”走向“生产环境服务”。
  • 需要注意的方面： 论文目前展示的是离线数据集上的评测结果，原文未说明在线 A/B 测试的相关信息。此外，混合分词机制引入了多套码本，模型参数量和训练复杂度是否会显著增加，也是部署时需要权衡的维度。最后，1.5% 的精度提升在统计上是否在多个数据集上均显著，需要进一步细看原文的具体数据和分析。期待后续能看到更多关于模型复杂度、真实部署案例以及解码并行度细节的公开信息。

总体而言，GenCDSR 为跨域序列推荐提供了一个兼顾精度与效率的新方案，尤其在解码策略上的创新对生成式推荐系统的实时化落地具有很好的借鉴意义。该工作已被 RecSys 2026 接收，作者团队也开放了代码与数据，推荐感兴趣的朋友深入阅读和复现。

原文链接