偏好塑造相关性：用于个性化生成式检索的跨组件分层语义对齐

生成式检索（GR）通过将查询直接映射到具有强表示能力的候选项 Semantic IDs（SIDs），已成为一种很有前景的范式。然而，现有仅基于商品内容生成的 SIDs 会产生语义鸿沟，无法将动态的查询意图与静态的商品表示对齐。此外，当前的生成式范式很少对用户行为序列建模，并且始终受限于 beam-search 自回归解码带来的高推理延迟。为解决这些挑战，我们提出 $\textbf{C}$ross-component $\textbf{H}$ierarchical semantic $\textbf{A}$lignment for $\textbf{P}$ersonalized generative retrieval（$\textbf{CHAP}$），一种从层次化视角出发的新型个性化 GR 框架。首先，我们设计了一个 Hierarchical Semantic Alignment 模块，用于对齐查询的潜在空间与商品的量化路径，并同步多粒度语义。其次，我们构建了一个个性化 GR 框架，通过协同离散 SIDs 进行结构性引导与连续表示进行细粒度语义细化来建模用户行为。值得注意的是，我们引入了 Residual Cascading Generation 机制，将代价高昂的多步 Transformer Decoder 限制为单次前向推理，在提升推理吞吐量的同时缓解信息损失。在三个公开数据集、一个私有工业数据集以及线上 A/B 测试上的大量实验表明，CHAP 优于现有方法，验证了我们方法的有效性和实用价值。代码已公开，地址为 https://github.com/zzzgm/CHAP。