End-to-End Learnable Item Tokenization for Generative Recommendation

最近，生成式推荐已经成为一种有前途的新范式，可以直接为推荐生成物品标识符。然而，一个关键的挑战在于如何有效地构建适用于推荐系统的物品标识符。现有方法通常将物品标记与后续的生成式推荐训练分离，可能导致性能不佳。为了解决这个限制，我们提出了ETEGRec，一种新颖的端到端生成式推荐器，通过无缝集成物品标记和生成式推荐来实现。我们的框架基于双编码器-解码器架构开发，由物品标记器和生成式推荐器组成。为了实现两个组件之间的相互增强，我们提出了一种面向推荐的对齐方法，通过设计两个特定的优化目标：序列-物品对齐和偏好-语义对齐。这两个对齐目标可以有效地将物品标记器和生成式推荐器的学习耦合在一起，从而促进两个组件之间的相互增强。最后，我们进一步设计了一种交替优化方法，以促进整个框架的稳定和有效的端到端学习。广泛的实验表明，与一系列传统的顺序推荐模型和生成式推荐基线相比，我们提出的框架的有效性。

论文旨在解决如何有效构建适用于推荐系统的物品标识符的问题，通过将物品分词和生成推荐无缝集成，提出了ETEGRec框架。

ETEGRec框架采用双编码器-解码器架构，包括物品分词器和生成推荐器，通过两个特定的优化目标：序列-物品对齐和偏好-语义对齐，实现了物品分词器和生成推荐器之间的相互增强。

论文通过实验验证了ETEGRec框架的有效性，与传统序列推荐模型和生成推荐基线进行了比较。论文使用了多个数据集，并提供了开源代码。

最近的相关研究包括《Neural Collaborative Filtering with Local Gaussian Processes》、《Session-based Recommendation with Graph Neural Networks》等。