生成式推荐中针对遗漏目标的训练：将监督与概率竞争分离

arXiv:2610.10124v1 公告类型：交叉 摘要：生成式推荐器返回有限的候选集，并可能在重排序之前遗漏已观测到的目标。尽管推理时仍只对原始候选进行排序，一种训练策略会将这些遗漏目标追加到重排序器的训练列表中。这一操作同时改变了检索目标的权重、增加了对追加目标的监督，并使两组目标在概率上相互竞争。因此，仅比较追加与不追加，无法解释返回项目排序的变化。我们构造了三个匹配的损失函数，在固定检索目标权重的同时，分别引入追加目标监督和组间竞争。中间损失在两组内部进行训练，但分别对两组进行归一化，从而避免仅在训练阶段出现的目标与推理候选竞争。使用已发布的 OneRec 模型以及本地训练的 Amazon 生成器进行的实验表明，这种竞争可能损害返回项目的排序。在预先设定的四组 Amazon Video Games 对比中，移除这种竞争使全目标归一化折损累积增益（FT-NDCG）提升了 7.8--22.2%；以用户为对象的 95% 区间，以及四个训练运行区间中的三个，均不包含零。在一个留出类别中，保守的开发集规则在三个生成器中为两个选择了追加目标训练，而在另一个类别中拒绝了三个生成器的追加目标训练，从而避免了 1.7% 的损失。因此，应针对每个生成器评估候选补全，而不应自动采用。