提出跨组件层级语义对齐的个性化生成式检索方法
原文：Preference Shapes Relevance: Cross-component Hierarchical Semantic Alignment for Personalized Generative Retrieval
生成式检索（GR）通过将查询直接映射到对候选物品具有强大表征能力的语义 ID（SID），已成为一种前景可期的范式。然而，现有仅由物品内容导出的 SID 造成了语义鸿沟，无法将动态的查询意图与静态的物品表示对齐。此外，当前的生成式范式很少对用户行为序列建模，且始终受限于 beam search 自回归解码带来的高推理延迟。为应对这些挑战，我们提出跨组件层次化语义对齐的个性化生成式检索框架 CHAP，这是一种从层次化视角出发的新型个性化 GR 框架。首先，我们设计了层次化语义对齐模块，将查询的潜空间与物品的量化路径对齐，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 SID 提供结构引导、连续表示实现细粒度语义精化来对用户行为建模。值得注意的是，我们引入了残差级联生成机制，将代价高昂的多步 Transformer 解码器限制为单次推理，在提升推理吞吐量的同时减轻信息损失。在三个公开数据集、一个专有工业数据集上的大量实验以及线上 A/B 测试证明了 CHAP 的优越性，验证了我们方法的有效性与实用价值。代码已公开发布于 https://github.com/zzzgm/CHAP。作者：Gaoming Zhang, Angqing Jiang, Jianchun Song, Kena Qi, Dayao Chen 分类：cs.IR,cs.AI