重新审视生成式检索与稠密检索：静态价值先验逆转性能差距

arXiv:2610.19065v1 公告类型：交叉发布 摘要：随着语言模型和语义物品标识符的改进，生成式检索（GR）已成为序列推荐中强有力的候选生成方法。然而，在在线零售的候选生成任务中，GR 并非在所有方面都优于稠密检索（DR），因而不能全面取代后者。我们在两个 Amazon Toys 数据集上，采用不同指标考察了二者的差异。对于两种方法均覆盖的用户，GR 在最佳相关物品价值方面领先，而 DR 在精确目标召回率和整个排序列表的相关物品价值方面领先。通过深入分析，我们发现，流行度对 GR 实测价值优势的贡献最大。在一次重排序步骤中，将相同的静态物品价值加入 DR，即可逆转这一优势，同时使召回率保持高于 GR。最后，在一个由 LLM 判断相关性的工业规模内部电商数据集上，我们表明，参数量为 14B 的 SID-LLM 仍逊于一个参数量仅为其 $1/47$ 的稠密编码器。