HiGenTrans：面向生成式推荐的分层 LLM 知识迁移

生成式推荐通过自回归生成物品的语义 ID（SID），有望简化传统的多阶段推荐系统。然而，两大障碍限制了其在工业场景中的有效性：仅依赖交互的监督未能充分利用预训练语言模型中编码的语义知识，而束搜索似然对词元序列进行排序，并非直接估计物品相关性。为解决这些局限，我们提出 HiGenTrans，这是一个在输入、表示和决策三个层面引入 LLM 知识的三层框架。首先，全局语义预引导（GSP）将源自 LLM 的用户表示添加到序列起始嵌入中，在生成 SID 之前提供语义先验。其次，分层表示迁移（HRT）通过均值中心化投影和门控残差连接，将 LLM 的中间表示与深度匹配的 GenRec 层对齐。最后，多信号决策校准（MDC）使用轻量级混合专家校准器，在对束搜索输出重新排序时融合语义相关性、生成置信度和候选集上下文。所有语义特征均仅根据可观测的交互前缀计算，以防止目标泄漏，并且可离线缓存。在三个公开基准上的实验表明，相较于最强基线，HiGenTrans 的 Recall@10 最高提升 12.9%，NDCG@10 最高提升 33.7%。这些结果表明，在生成式推荐流程中相互补充的不同阶段迁移 LLM 知识具有重要价值。