生成式推荐 ¶
Ideas
-
T5 是 Encoder - Decoder 架构，为什么不使用 Decoder-Only 架构
-
有部分研究尝试过，效果不佳
学习大模型
综述阅读
Sparse ID-Based¶
生成式推荐的 problem setting 和传统的序列推荐是基本一致的。所以先看两篇最经典的序列推荐，了解问题的 setting 是什么～
- [ICDM2018] (SASRec) Self-Attentive Sequential Recommendation
- [CIKM2019] BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer
SID-Based¶
基于 SID 的生成式推荐方法中普遍用到的两个技术：1. RQ-VAE； 2. beam-search。
- 深度剖析 RQ-VAE 从训练和代码的角度进行了分析
看论文除了看懂文章的方法是怎么做的 (how to do) 之外，还要特别注意两点
- 一个是论文的 motivation (why do so)
-
另一个是论文有没有缺点、不足和可以改进的地方 (what I can do)
-
[NIPS2023] (TIGER) Recommender Systems with Generative Retrieval
- [CIKM2024] (ColaRec) Content-based collaborative generation for recommender systems
- [CIKM2024] (LETTER) Learnable Item Tokenization for Generative Recommendation
- [RecSys2024] CoST: Contrastive Quantization based Semantic Tokenization for Generative Recommendation
- [SIGIR2025] (ETEGRec) Generative Recommender with End-to-End Learnable Item Tokenization
- [KDD2025] (RPG) Generating long semantic IDs in parallel for recommendation
OneRec¶
以下为近两年 OneRec 系列相关论文的时间线整理，所有链接均指向对应 arXiv 页面。这些论文主要由快手（Kuaishou）团队发表，覆盖从基础框架到多场景应用的技术演进，反映生成式推荐在工业落地中的关键突破。
| 发表时间 | 论文标题 | arXiv 链接 |
| 2025 年 2 月 | 《OneRec: Unifying Retrieve and Rank with Generative Recommender and Preference Alignment》 | https://arxiv.org/abs/2502.18965 |
| 2025 年 6 月 | 《OneRec Technical Report》 | https://arxiv.org/abs/2506.13695 |
| 2025 年 8 月 | 《OneRec-V2 Technical Report》 | https://arxiv.org/abs/2508.20900 |
| 2025 年 9 月 | 《OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-Commerce Search》 | https://arxiv.org/abs/2509.03236 |
| 2025 年 9 月 | 《OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System》 | https://arxiv.org/abs/2509.18091 |
| 2025 年 10 月 | 《OneRec-Think: In-Text Reasoning for Generative Recommendation》 | https://arxiv.org/abs/2510.11639 |
| 2025 年 12 月 | 《OpenOneRec Technical Report》 | https://arxiv.org/abs/2512.24762 |
| 2026 年 2 月 | 《GR4AD: Generative Recommendation for Large-Scale Advertising》 | https://arxiv.org/abs/2602.22732 |