非黑非白：利用图信息增强的语义 ID（GrIS）平衡语义信号与协同信号

arXiv:2610.01533v1 公告类型：cross 摘要：现有关于生成式推荐中语义 ID（SID）的研究将 SID 构建视为表示学习问题：将物品编码到量化潜在空间中，并读出相应编码。我们认为，这种观点只是偶然形成的。SID 构建的本质是一个递归聚类问题；一旦这样表述，自然的聚类对象便是一个图，其节点承载语义内容，边承载协同信号；SID 分配则转化为层次化图划分。基于这一重新诠释，我们提出了统一框架 Graph-Informed Semantic IDs（GrIS），它涵盖而非取代已有方法。RQ-VAE 和 RQ-KMeans 可被视为图为空时的特例，这表明仅基于内容的量化只是更大设计空间中的一个角落，而该设计空间沿着两个迄今被合并的维度展开：图构建方式和递归划分算法。我们探索了两种对比鲜明的实现：RecDMoN 通过可微图池化执行层次化分配；RQ-GAE 则利用图感知的物品表示和图重构目标扩展了 RQ-VAE。在多个真实世界数据集上，GrIS 持续优于考虑 CF 的 SOTA 方法，Hit@10 最高提升 +52\%。由于图构建和划分是显式且可分别配置的组件，因此可以将两个维度上的改进结合起来，并进行系统评估。