生成式推荐综述：表示语言、生成对象与系统责任
生成式推荐涵盖一组彼此可组合的架构选择：系统以何种语言表示用户和物品，模型直接生成物品、用户状态、意图还是列表，以及生成组件承担特征、候选、排序或整条推荐链路中的哪项职责。2019—2026 年的公开研究显示，SemID 已成为连接序列生成模型与真实目录（catalog）且证据较充分的接口之一：它把物品表示离散化为可生成、可约束的 code 序列，并可作为召回键或排序特征进入既有系统。SemID 的“语义”由内容、协同、排序或多任务训练信号共同塑造；映射碰撞、目录漂移、自回归解码树和下游候选规则进一步限定其效果。
本文在保留既有多兴趣召回、语言化推荐、LLM4Rec、连续 token、行为序列、工业系统、冷启动与评测文献的基础上，补入 2026 年关于冷启动可复现性、记忆—泛化分解、持续 tokenization、SID 工业部署、解码表达力、mapping 诊断、闭环信息茧房与长期优化的证据。综合证据呈现出明确的能力分工：atomic ID 与协同模型擅长细粒度记忆，内容/语义 token 提供组合泛化，LLM 提供语义接口，生成模型提供可约束的候选或列表空间；这些能力在表示、召回、排序和语义层的混合接入拥有最充分的公开证据。全链路生成已在少数工业场景显示可行性，其动态目录、长期多样性、冷启动曝光与公平比较仍待闭合。
1. 评述问题、范围与证据方法
本文回答的问题是：生成式推荐如何重写用户、物品、意图与推荐列表之间的接口，SemID、文本/连续/行为 token、LLM4Rec 与传统检索排序系统分别解决了什么，又在哪些条件下互补或失效？这个问题比“是否使用 LLM”更接近真实系统，因为同一个 LLM 可以抽取意图、生成候选或重排列表，同一套 SemID 也可以是排序特征、召回地址或生成目标。
评述采用跨时间谱系与近期更新相结合的检索姿态：以多兴趣召回为传统基线，从语言化推荐接口追踪到 SemID 生成召回、LLM4Rec、工业混合系统和 2026 年的反证与边界研究。原有语料中的工作均保留其证据或背景角色；近期候选通过 arXiv 日期排序发现，已知 ID 直接解析论文平台记录，涉及方法、结果或局限的新增核心工作均阅读正文。
本文采用叙述性技术综述方法，证据范围由可追溯论文、会议记录和企业技术报告构成。检索过程未设置双人筛选、注册协议或完整数据库穷尽，因此覆盖声明限于当前语料。中文付费数据库、企业未公开 A/B、无法获得的独家正文，以及 2026-07-10 之后的工作属于覆盖缺口。不同平台的线上指标、候选配额和业务目标采用各自口径解释。
2. 三层分析框架：表示语言、生成对象与系统责任
生成式推荐的共同链条是：系统先把用户历史、物品目录和上下文编码成模型可处理的表示；模型再生成某个中间或最终对象；约束、检索或映射把输出落回真实目录；排序和业务规则决定最终曝光。本文把 catalog grounding 定义为模型输出经确定映射或受控解析后成为可过滤、可展示的真实目录对象；语言相似度描述输出语义，目录落地描述输出的系统可交付性。Atomic ID 是每个物品独立的目录标识；Collaborative ID（CID，协同标识）按交互或共现结构组织物品。Tokenizer 是把连续 item/user 表示学习为离散 code 的模型；其导出的 item-to-code mapping 是版本化工件，反向 code-to-item resolver 负责把生成结果交付为物品。Approximate Nearest Neighbor（ANN，近似最近邻）检索直接在向量空间近似查找相似候选。由此可把文献放在三个相互正交的层面。
| 层面 | 分类问题 | 主要取值 | 改变了什么 |
|---|---|---|---|
| 表示语言 | 模型用什么符号表达推荐对象？ | atomic/CID、文本或 textual ID、SemID、continuous token、action token | 信息共享、唯一性、目录约束与更新成本 |
| 生成对象 | 模型直接预测什么？ | item、user state/token、intent/tag/query、list/session action | 训练目标与输出可交付性 |
| 系统责任 | 生成组件承担哪一段链路？ | 表示/特征、召回、排序/重排、语义中间层、端到端列表 | 可归因收益、延迟与故障边界 |
tokenizer 从内容、交互或多任务目标中学习离散 code，骨干网络负责根据用户上下文预测输出，解码算法再把模型概率转成合法候选；三者共同实现上述三个层面。Google DeepMind 与 YouTube 的 TokenMinds(2026) 生成用户 token 并服务排序，Google 与 YouTube 的 PLUM(2025) 生成 item SemID 并作为候选源，淘宝与阿里巴巴的 RecGPT(2025) 生成意图和标签进入语义层，快手的 OneRec(2025) 生成推荐列表。这四项工作对应四种系统命题。
3. 表示语言：从独立 ID 到可生成目录接口
3.1 Atomic ID 与协同表示提供细粒度记忆
传统 item ID embedding 为每个物品提供独立参数，能记住高频共现和细粒度偏好，却难以让新物品共享知识。阿里巴巴的 MIND(2019) 用动态路由把一名用户的行为 item 聚合成多个兴趣向量，服务时让每个向量独立做近邻召回，再合并候选送入同一个排序流程；在候选配额和下游排序一致的线上比较中，多兴趣召回优于单用户向量基线。清华大学的 ComiRec(2020) 可用动态路由或自注意力提取兴趣，并在合并候选时用一个控制因子调节相关性与类别多样性的权重；它在公开数据和工业离线数据上多数召回指标超过 MIND。两项工作因此构成保留多兴趣和强协同记忆的传统基线。
Rutgers University 的 How to Index Item IDs(2023) 固定 P5/T5 生成骨干、序列推荐 prompt、数据划分、指标和 trie 约束，只替换物品标识。Collaborative ID（CID）由交互矩阵的层级聚类路径构成，Semantic ID 由内容类别树构成；hybrid 方案在层级路径末尾再加一个独立 item token，例如 CID+IID 或 SemID+IID。三个数据集的整体结果中，CID 通常强于纯内容 SemID，CID+IID 与 SemID+IID 又比单独层级 ID 更常位于前列，说明共享路径与独立记忆各自补足一部分信息。UC San Diego 等机构的 How Well Does Generative Recommendation Generalize?(2026) 按目标物品的转移模式是否在训练数据中出现，把测试样本分为主要复用已见模式的“记忆型”样本和需要重组未见模式的“组合泛化型”样本。item-ID 模型在前一类更强，生成式模型在后一类更强；进一步检查 SemID 的各级 token 后，作者发现部分所谓“对新物品泛化”其实仍在复用训练中见过的 token。Atomic ID 因此承担细粒度记忆通道，并与生成式 token 形成互补。
3.2 文本迁移与 textual ID 的唯一映射
UC San Diego 与 Amazon 的 RecFormer(2023) 把标题、品牌和类别等物品元数据写成文本序列，在多个 Amazon 源域上预训练同一个文本序列编码器，再把该编码器迁移到六个目标域做全物品排序。目标域零样本、少样本和冷物品测试中，它比只学习目标域 item ID 的模型更稳定，支持“文本表示可跨域复用”这一环。中国人民大学的 VQ-Rec(2023) 把内容向量分解为有限 codebook 中的离散 code，再把这些 code 当作跨域可共享的物品表示。二者构成 SemID 的表示前史：内容支持新域和新物品迁移，离散化使序列模型复用有限词表；目录约束则由后续生成检索工作补齐。
Rutgers University 的 IDGenRec(2024) 用一个 T5 读取物品的全部文本元数据并生成短 textual ID，再让另一个 T5 根据用户历史中的 textual ID 预测下一物品。生成 ID 时使用多样化 beam search；若两个物品仍得到相同字符串，就增加重复惩罚或允许更长字符串，直到建立一一映射。训练过程交替更新 ID 生成器和推荐器，使字符串既保留文本语义，又受到下一物品推荐损失约束。其短、可读和唯一是明确的构造目标，序列推荐与零样本实验再检验这些 ID 是否可用；目录落地则由字符串—item 映射保证。
3.3 SemID 的语义来源与工程折中
典型 SemID 用多级量化器依次逼近一个连续 item 向量：第一级选择最接近的 code，后续各级继续编码尚未解释的残差，最终得到 c1-c2-…-cm。RQ-VAE 和 RQ-KMeans 是实现这种残差量化的两类方法。共享前缀使相近 item 复用 token，trie 或 catalog mask 限制非法序列。University of Wisconsin–Madison 与 Google 的 TIGER(2023) 把这种表示与生成式检索结合，使模型能生成下一物品的目录地址。Google DeepMind 与 YouTube 的 Better Generalization with Semantic IDs(2023) 在同一 YouTube 生产排序任务中保留用户历史、当前视频、候选视频和排序器结构，比较随机散列视频 ID 特征与由音视频内容量化得到的 SID 特征；包含观看历史时，SID 的 n-gram/SPM 表示提高总体离线排序指标，并在专门衡量新视频的 CTR/1D 切片上提升更明显。该证据支持 SID 作为 atomic/hash ID 的补充表示，尚未涉及生成召回。
SemID 中的“semantic”由上游表示和学习目标定义。人类可解释性、完整 code 唯一性、前缀行为对齐和最终推荐质量是四项独立属性，需要分别评价。Spotify 的 Semantic IDs for Joint Generative Search and Recommendation(2025) 在同一 MovieLens 衍生数据、两层 code 预算和 FLAN-T5 生成骨干下，只改变物品向量的监督来源或两任务共享方式。搜索点击训练出的 SemID 在 Search Recall@30 上最高、在 Recommendation Recall@30 上很低；推荐交互训练出的 SemID 呈相反结果。用同一编码器联合训练搜索 query—item 与推荐 item—item 对，能取得较均衡但不同时达到两个单任务最优的结果。任务冲突因此发生在监督塑造的 item 表示及其下游检索效果上。
3.4 Continuous token 与 action token 构成替代入口
香港理工大学主导的 ContRec(2025) 让扩散模型直接生成连续的用户偏好向量，再按模型给每个候选物品计算的匹配分数检索目录中的物品，从而绕开把向量压成少量离散 code 时的信息损失。连续空间保留了更细的差异，但系统仍需另行实现候选检索、合法目录过滤和低延迟服务。Meta 的 HSTU(2024) 把点击、观看等行为事件编码成 action token，用专门的序列架构处理超长用户历史。两条路线分别以连续偏好向量和行为事件序列作为生成入口；超长行为日志和成熟向量检索会影响平台的选择。
4. Tokenizer 与 mapping：从静态预处理到版本化系统资产
4.1 内容重构与推荐目标的错位
早期 SemID 常以预训练内容 encoder 加残差量化器构造 code，训练目标是重构内容表示或保持内容邻域。这一方案稳定、可离线生成，且能给无交互的新 item 分配地址；内容相似却很少被同一批用户消费的物品，未必应在推荐空间中共享近邻。National University of Singapore 的 LETTER(2024) 在重构内容的同时，让交互相似的物品获得更接近的量化表示，并用分组约束减少 code 只集中到少数槽位。Huawei Noah’s Ark Lab 等机构的 CoST(2024) 把原物品向量与其重构向量作为匹配对，同时推远批次中的其他物品，使 code 更重视物品区分。浙江大学的 EAGER(2024) 则分别根据行为表示和内容表示生成两组候选，再按两路生成置信度合并排序。
这些工作将研究问题推进到“用什么监督定义推荐语言”。华中科技大学的 UNGER(2025) 先把内容向量映射到协同空间，再将融合表示量化为统一 code；当内容信号在融合中压过协同信号时，code 会保留文本相似却丢失推荐关系，论文称之为 semantic domination。快手的 DAS(2025) 同时量化用户和广告，并用用户—广告匹配、同侧相似和共现关系约束两侧 code。中国人民大学的 ETEGRec(2025) 交替更新 tokenizer 与生成器，使目标物品 code 同时贴近序列上下文和用户偏好；University of Glasgow 等机构的 DISI/DIGER(2026) 用可微的软分配，让推荐损失直接更新 codebook，训练后再收敛为确定 code。Tokenizer 由内容前处理器演变为目标耦合组件；这种耦合提高任务适配度，也会继承曝光偏差、热门偏置和当前业务目标。
4.2 映射质量的三个维度：碰撞、唯一率与前缀结构
完整 code collision/aliasing 指多个 item 共享同一地址；prefix sharing 描述层级共享；唯一率衡量地址区分度。三项指标对应不同性质。University of Otago 的 Reliable Tokenizer(2026) 表明，若一次 SID 命中被同时算作命中所有共享该地址的物品，SID-level 指标会高估真正交付到 item 的效果；按实际物品消解碰撞后，tokenizer 的优劣顺序甚至会改变。Snap 的 GRID(2025) 在固定的三个 Amazon 数据、时间划分、评价指标和默认生成管线中做模块替换或消融：例如以 RK-Means、R-VQ、RQ-VAE 量化同类内容表示，替换 encoder-decoder 与 decoder-only 骨干，或开关滑动窗口数据增强和 SID 去重。简单量化器可优于 RQ-VAE，encoder-decoder 明显优于 decoder-only，数据增强的影响也大于部分 tokenizer 差异。结果排序会随非 tokenizer 环节改变，因此归因 token 设计时需要保持这些条件一致。
Snap 的 Semantic IDs at Snapchat(2026) 将这些问题带入生产：当大量物品只使用少数几个 code 时，codebook 发生坍缩；当多个物品仍共享完整 code 时，系统需在碰撞桶内再做一次消歧。论文因此把唯一率用作发现严重坍缩的基础检查，而用排序和召回指标判断更高唯一率是否继续有益。Huawei Technologies 的 SIDInspector(2026) 在训练下游生成器前直接检查导出的 item-to-SID mapping。它在同一 Musical 物品集合上比较 GRID/RQ-KMeans 风格导出、无完整碰撞的 ReSID/GAOQ 导出和几个确定性控制 mapping；完整 code aliasing 直接按共享地址的物品比例计算，行为前缀对齐则按训练交互中高频共现的 item 对有多少共享前缀计算。ReSID 导出已无完整碰撞，但行为前缀对齐仍弱于按类别构造且同样唯一的控制 mapping。唯一地址和行为相关前缀由不同指标刻画，也确实能在同一物品集合上分离。
4.3 动态目录要求稳定—可塑性权衡
静态 benchmark 默认 tokenizer 训练后不变，真实系统却持续加入新物品和新交互。大规模 code 改写会破坏生成模型已学习的 token embedding 与路径概率，冻结 code 则会遗漏协同漂移。复旦大学主导的 DACT(2026) 先根据新旧时段的交互变化识别“表示已漂移”的物品和相对稳定的物品，对前者加大 tokenizer 更新、对后者限制改动；重新分配层级 code 时，它还尽量保留未发生明显变化的旧前缀。该设计把持续 tokenization 具体化为两项目标：吸收新行为，同时减少已有物品换地址。
这使 mapping 成为需要版本、迁移、校验和回滚的系统资产。当前公开证据仍主要来自离线时段实验；大规模线上系统如何做双版本共存、缓存失效、候选索引迁移和故障回滚，仍缺统一报告规范。
5. 生成与解码：token 概率与搜索空间的共同约束
5.1 短 SID 自回归提供可约束检索
TIGER 式生成逐位预测 SID。Beam search 在每一步保留一组概率最高的前缀，trie 或 catalog mask 则删除无法继续通向真实物品的前缀。这样，候选召回可写成合法地址序列的概率；与此同时，每个物品的概率被拆到多级前缀上，保留多少条前缀会同时影响延迟、候选多样性和末级物品辨别。PLUM 已把这一机制用作生产候选源；Spotify 的 GLIDE(2026) 固定同一个 GLIDE checkpoint、同一批留出会话和 Recall@30 评价，只把 beam search 换成 greedy、temperature 或 top-p 采样。采样在只检查前两级 SID 时已覆盖不少相关语义区域，但生成完整四级地址后的 Recall@30 明显下降，并更常落到低质量或无效 SID；逐级保留多个高概率前缀的 beam search 因此改善的是末级物品辨别。
5.2 长 ID、并行解码与混合检索重新分配成本
UC San Diego 与 Meta AI 等机构的 RPG(2025) 将一个物品向量切成多个子空间，每个子空间独立量化，得到最长 64 位、位序依赖较弱的 SID；模型用多个输出头一次预测所有位，再沿预先构建的相似 SID 图扩展高分候选。它用并行预测和图约束换取更长 code 的表达容量，因而长表示的服务成本取决于解码结构，而只看 token 数量会得出不完整结论。浙江大学与淘天集团的 LSIG(2026) 已列入 WWW 2026 Industry Track，题名也确认其研究长 SID；当前没有可核全文，本文仅据此确认该议题已进入工业研究，不引用其方法和结果。
University of Wisconsin–Madison 与 Meta 的 LIGER(2024) 给生成式检索与 dense retrieval 使用相同的物品文本表示和相近的编码器条件，再比较两种候选生成方式。在这些公开数据集上，直接按连续向量相似度检索仍可能更强；先生成 SID 候选、再用连续向量补入冷启动物品并重排的混合方案更稳。生成路径擅长复用 token，ANN 保留细粒度连续相似度，两种几何结构可在候选和重排阶段分工。
5.3 固定解码树存在表达力边界
UC San Diego 与 Snap 的 Latte(2026) 分析固定 SID 树的表达限制：两个物品共享的前缀越长，它们的生成概率就越受同一批前缀概率约束。于是，当用户甲偏好物品 A 胜过 B、用户乙恰好偏好 B 胜过 A 时，单棵树未必能自由表达这种排序反转，还可能把若干两两偏好强制串成传递关系。Latte 先生成一个潜在分支 token，再在该分支对应的 SID 树中生成物品，相当于让不同用户选择不同解码树。这个结果表明，完整 code 即使唯一且语义合理，固定解码拓扑仍会限制个性化表达，因此 tokenizer 指标无法单独代表整个生成器的能力。
6. LLM 与生成对象：item、user、intent、list 的输出契约
6.1 从语言化任务到 LLM4Rec
Rutgers University 的 P5(2022) 把评分预测、下一物品、解释生成等任务都改写成“输入一段文本、生成一段目标文本”，让同一个模型和训练损失覆盖多种推荐任务。阿里巴巴达摩院的 M6-Rec(2022) 把用户属性、历史、上下文和候选物品写成文本，但根据任务承担不同责任：排序时由分类头预测点击，召回时分别编码 user/item 后做近邻检索，解释或 query 任务才直接生成文本；工业实验还把大部分表示离线缓存，只保留少数层在线交互。它因此同时包含 LLM-FOR-RS 和文本生成接口，并未用自由文本直接交付目录物品。随后，中国科学技术大学的 TALLRec(2023) 用推荐样本微调 LLM，使其根据用户历史判断一个候选物品是否会被喜欢；同校的 LLaRA(2024) 把传统序列推荐器学到的 item embedding 映射成 LLM 可接收的行为 token，与物品文本共同输入。University of Virginia 与 LinkedIn 的 CoLLM(2024) 为每个用户和物品增加不被拆词的专用 token，冻结原 LLM，并分别从交互序列和内容文本学习协同、内容两套 embedding，再用互正则让两套表示靠近；微调阶段由额外的 item prediction head 根据遮蔽历史预测留出物品。直接服务完整模型仍超过工业延迟预算，论文最终把学到的 embedding 接入 LinkedIn Two-Tower，属于 LLM-FOR-RS 的离线表示增强。
这些工作对应两种证据合同。LLM-FOR-RS 只让 LLM 提供文本表征、提示或特征，最终点击预测或排序仍由传统推荐器完成；LLM-AS-RS 让 LLM 自己输出偏好判断或下一物品。香港理工大学的 RecBench(2025) 在五个领域统一数据规模和任务设置，比较传统模型、LLM-FOR-RS 与 LLM-AS-RS。成对点击任务中，多数零样本 LLM 弱于 unique-ID CTR 模型；微调后的大 LLM 可以更准，但延迟高，而将 LLM 语义 embedding 交给传统模型可接近完整 LLM 的效果且快得多。列表式任务中，SemID 通常优于 unique ID，但 LLM 推荐器的推理时间接近 SASRec 的千倍量级。中国地质大学（北京）等机构的 The Elephant in the Room(2024) 进一步固定传统序列模型的在线主体，只用经行为数据调优的 PLM 初始化 item embedding；该方案在多个 Amazon 数据上常优于原 SASRec 和把 PLM 放进序列主体的 RecFormer，同时减少在线训练与推理成本。KAIST 的 Lost in Sequence(2025) 打乱用户行为顺序后发现多数 LLM4Rec 的性能和用户表示变化远小于 SASRec，限制了“收益来自顺序理解”的解释。三类证据共同支持离线语义表示、行为调优初始化和混合接口；完整 LLM 直接服务的准确率、顺序建模与成本需要分别验证。
6.2 四种输出契约对应四种证据
生成 item 的 TIGER、PLUM、GLIDE 与 Spotify joint model 直接输出物品地址，必须将地址解析成目录物品。生成 user token 的 TokenMinds 预测用户近期可能进入的兴趣区域，再把这些 token 与连续用户向量一并缓存给排序器；它提供的是用户特征，而不是候选物品。因此，TokenMinds 的线上证据支持用户表示服务，不能外推为生成召回替代传统召回。
生成 intent、tag、explanation 或 query expansion 的 M6-Rec、RecGPT 与淘宝和阿里巴巴的 RecGPT-V2(2025) 位于语义中间层：它们把当前查询、会话和弱行为压缩成兴趣标签或商品语义，再交给多兴趣编码、物品塔和流量分配等组件落到 item。快手的 OneRec-V2(2025) 延续 OneRec，直接生成排序后的物品列表，最接近把召回—排序级联压进一个生成主链路；它也因此承担更完整的多目标、延迟与生态责任。
电子科技大学的 GNPR-SID(2025) 将地点的类别、地理和协同信息编码进 SemID，用于预测下一访问地点。SiriusXM/Pandora 的 Semantic IDs for Music Recommendation(2025) 用音频特征、曲风和发行年份等内容向量生成四级歌曲 code，碰撞时再加一位区分符；这些 code 取代每首歌的独立 embedding，进入序列排序器，而生成对象仍是歌曲得分而非自由 SID 序列。Spotify/Pandora 离线实验中，合适 codebook 容量可在大幅减少参数时匹配或超过独立 embedding；Pandora 线上 A/B 的核心听歌指标基本中性，参数和训练成本下降，多样性指标改善。POI 工作支持下一地点生成，音乐工作支持共享表示与排序，两者证明的是不同层级的场景适配。
7. 工业接入：公开证据最支持混合系统
工业工作的证据边界由生成组件在系统中承担的责任决定。YouTube SemID ranking 在保留生产排序任务和上下文特征时比较 random-hash ID 与 SID 表示，SID 在新视频切片上的离线增益更明显。TokenMinds 把生成的用户兴趣 token 和连续用户向量缓存后加入既有 ranker；七天 A/B 中，组合表示在多个 YouTube surface 改善参与度或满意参与指标，实时 ranker 仍只读取缓存特征。Snapchat 报告 SID 作为排序辅助特征和新增召回源的离线及线上 A/B，并保留碰撞消歧和原有下游链路；业务数据未公开，证据限于团队披露。DAS 在快手广告的既有 CTR 模型上增加用户/广告 SID 特征，并在 10% 流量 A/B 中报告 eCPM 改善，生成式广告召回只贡献整套增益的一部分。这些生产比较共同支持 representation/feature 层和候选源的混合接入，既有排序与业务规则仍构成故障边界。
PLUM 与 GLIDE 位于候选召回层。PLUM 的线上对照给基线生产召回器增加与 PLUM 相同的候选配额，再把两组候选交给同一下游排序；PLUM 在长视频和 Shorts surface 上改善参与或满意指标。GLIDE 同样把生成播客加入已有候选池，再由标准 ranker 与其他来源共同竞争，并通过用户级线上实验验证发现导向候选。两项线上变化都属于“新增生成候选源 + 保留传统排序”这一整套改动，公开实验无法把收益单独归给 LLM、SemID 或 beam search。Spotify joint search/recommendation 则使用离线构造数据比较搜索与推荐共享 item language 时的任务冲突，回答的是跨任务表示问题。
RecGPT/RecGPT-V2 位于意图和语义编排层。RecGPT 用 LLM 从淘宝用户的搜索、收藏、购买等高置信行为中生成兴趣和商品 tag，再由传统 user-item-tag 检索、排序和流量分配交付物品；淘宝首页 A/B 比较完整管线与原生产系统，用户体验、平台和商家指标整体改善，但多模块同时变化，只能支持这套语义中间层有效。RecGPT-V2 以 V1 为控制继续比较分层意图推理、行为压缩和动态解释等组合，本文因报告内部个别数字不一致而只采用“后续 A/B 存在及系统责任未变”这一证据。
OneRec/OneRec-V2 接管的责任更靠后。OneRec 根据用户历史直接生成一个短视频 session 列表，在快手主页面 1% 流量中与当时的多阶段推荐系统比较，报告观看时长和平均播放时长改善；这证明列表生成主链路可在该场景服务，无法把一揽子收益拆给量化器、MoE 或偏好对齐中的单个模块。OneRec-V2 改用只在最新曝光物品上计算损失的 lazy decoder-only 架构，并在 5% 流量下与 V1 比较；它以相近训练损失大幅减少计算，并改善停留、观看或互动指标。附录的全请求、禁用缓存实验同时报告冷启动视频曝光下降和推荐 cluster density 上升，说明主链路收益与供给侧集中可能并存。生成组件承担的责任越靠后，系统简化空间越大，长期生态、归因和回滚也越需要独立评价。
8. 冷启动与泛化：对象类型与可用信号
用户冷启动缺少的是目标用户的偏好证据，item 冷启动缺少的是新物品的交互证据。MIND/ComiRec 依赖行为历史，对没有任何历史的新用户几乎无能为力；P5、M6-Rec、TALLRec、RecGPT 可以利用 query、profile 或少量文本，因此覆盖的是仍有弱信号可用的新用户。TokenMinds 也至少需要短历史、搜索或其他域行为中的一种输入。若用户没有行为、查询和 onboarding 信息，模型只能返回群体先验，无法恢复个体偏好。
内容 SemID 可以根据标题、描述或多模态内容为未见 item 构造 code，使它在没有交互 embedding 时也能进入模型的候选语言。TIGER、YouTube SemID ranking、RecFormer、VQ-Rec、IDGenRec 和 PLUM 都支持这一步。实际曝光还取决于生成器是否选中该 code、候选源分到多少配额、下游排序分数以及平台是否为新内容安排探索；OneRec-V2 报告的冷启动视频曝光下降说明“拥有可生成地址”和“获得流量”之间仍隔着后续链路。
山东大学与莱顿大学主导的 Cold-Starts in Generative Recommendation(2026) 在 Amazon-Toys、MicroLens 和 Steam 上使用相同的训练—测试划分、评价指标和复现管线，然后一次只改变一类条件：预训练语言模型的参数规模，物品使用独立 ID、标题文本还是量化语义 code，以及采用监督微调还是强化学习。这样，同一冷启动测试集上的差异可分别归到模型规模、标识方式或训练目标。结果显示，向训练中未出现过的新 item 推荐，比向训练中未出现但已提供少量历史的新用户推荐困难得多；增大语言模型只带来有限改善。直接用标题作 textual ID 能提高新 item 命中，却会增加物品标识的歧义，因而损害常规样本或新用户样本；在常规训练分布上优化的强化学习奖励也未稳定迁移到冷启动分布。组合式标识能帮助新 item 复用已学语义，其收益取决于可用内容、冷启动对象、训练目标和测试集如何划分。
记忆—泛化研究进一步说明混合模型为何合理。生成式 token 对未见 item 转移有组合优势，atomic ID 对已见高频模式更准确。系统可按实例、用户状态或候选类型动态组合两条通道，让各自承担证据更充分的样本区域。
9. 评测：从 SID 命中扩展到交付、成本与因果边界
生成式推荐至少需要四层评价。第一层是 mapping：多少物品拥有 code，同一完整 code 是否指向多个物品，每个前缀向下分出多少分支，交互相似物品是否共享前缀，以及目录更新后多少物品更换地址。第二层是 item-level 交付：生成的 SID 能否唯一解析到正确 item，无法通向真实物品的路径、重复候选和碰撞桶如何处理。第三层是系统预算：候选数、beam size、参数量、训练数据、延迟、缓存和重排资源是否相当。第四层是线上与长期目标：用户满意、发现、多样性、新内容曝光和供给生态。
| 证据类型 | 可以较稳地说明 | 仍需补充的证据 |
|---|---|---|
| 公开 next-item benchmark | 给定测试划分和预算下的相对离线效果 | 工业延迟、动态目录、线上因果收益 |
| tokenizer/mapping 诊断 | 地址覆盖、碰撞、前缀或结构问题 | 下游生成、解析和排序后的最终收益 |
| 生产 A/B | 特定系统改动在特定平台的在线影响 | 跨平台外推，以及一揽子改动中单个组件的独立贡献 |
| 模拟或离线 OPE | 给定用户模型或日志假设下的反馈动力学与长期策略比较 | 真实用户长期行为的绝对幅度和生产因果效应 |
Reliable Tokenizer、GRID、SIDInspector 与 Snapchat SID 共同要求把“tokenizer 更好”拆成可复核命题。LIGER、RecBench 与 Elephant 则要求生成模型和传统模型使用相同候选、计算和延迟预算。若这些条件不同，Recall@K/NDCG 的提升可能来自更多参数、数据增强、去重或重排，实验只能支持整套管线更强，无法识别生成方式本身的贡献。
10. 长期目标与反馈生态
大多数生成式推荐以 next-item likelihood、Recall 或 NDCG 训练和评测，而生产系统还关心会话满意、探索、内容供给与长期留存。OneRec-V2 已显示短期停留收益可能同时伴随冷启动曝光下降和推荐结果更集中；这些变化属于目标函数未显式覆盖的系统结果。
山东大学主导的 RecLoop(2026) 让推荐器给 LLM 模拟用户出列表，模拟用户再产生点击，随后用新反馈更新推荐器，并重复 15 轮。两个 Amazon 数据上的这套闭环显示，生成模型的类别级多样性通常下降得比对照模型慢，但 SID 树的粗层 token 仍逐渐集中到少数分支；用共现数据训练 tokenizer 时，热门度和既有共现偏差也可能进入 code space。模拟用户没有用真实用户长期反应校准，数据集与随机轨迹也有限，因此结果刻画的是给定模拟规则下的反馈动力学，无法估计真实平台的信息茧房幅度。
AI VK 主导的 Long-Term Optimization for Large-Scale Generative Retrieval(2026) 在 Yambda-5B 的历史会话日志上学习会话级策略。所谓 off-policy，是用旧推荐策略已经产生的日志来训练新策略；REINFORCE 根据整段会话的估计回报提高或降低生成动作的概率，并用重要性权重修正新旧策略选择概率的差异。反馈模型预测未实际展示动作的回报，doubly robust OPE 再把该预测与日志中的真实反馈结合，以降低单一模型或单一权重出错的风险；测试时 rollout 则模拟若干后续交互，再选择估计长期价值较高的候选。实验显示，更高的即时 recall 代理值未必对应更高的离线长期价值。全部结果仍依赖历史日志、反馈模型和离线反事实估计，生产 A/B 才能检验真实长期因果效果。
11. 当前共识、争议与研究议程
相对稳健的共识有四点。第一，生产生成需要 catalog grounding；自由文本理由与物品地址承担不同职责。第二，SemID 是公开证据较充分的目录接口之一，其效果由表示、tokenizer、mapping、解码与系统位置共同决定。第三，atomic ID/dense retrieval 与生成 token 在记忆—泛化、效率—表达力上互补。第四，公开工业证据目前更支持混合接入，端到端替代只在少数场景得到披露。
争议集中在四组可检验冲突。其一，内容、协同、排序与多任务目标何者应定义 token 语言；需要在同一动态数据和同一骨干模型下，同时测常规/冷启动效果、偏差以及目录更新后更换 code 的比例。其二，短/长、顺序/无序、自回归/并行/连续生成何者给出更好的表达—延迟折中；需要把解码树能表达哪些用户排序，以及生成结果落到合法目录地址的比例纳入比较。其三，LLM 增益来自世界知识、语言接口、模型规模还是整条管线变化；需要在相同数据、候选、参数或延迟预算下，与 atomic ID、dense retrieval 和小模型逐项比较。其四，生成式系统改善还是恶化长期多样性；需要把真实 A/B 与供给侧指标用于校准模拟和离线策略评估。
由这些争议可形成四项研究议程：建立可版本化的 tokenizer/mapping 契约与公开目录迁移基准；分别评测用户/物品、完全无信号/仍有弱信号的冷启动，并报告新内容获得探索曝光的比例；在 item 层消解碰撞，并统一候选数量、计算量和延迟预算；用真实线上长期指标校准离线策略评估与用户模拟。完成这些证据链后，研究才能回答“哪种接口在什么系统条件下可靠”。
12. 结论
2019—2026 年的生成式推荐演化，使推荐系统开始显式设计可生成的表示语言，并重新分配生成组件与传统检索、排序组件的职责。SemID 把目录地址、信息共享和序列生成连接起来，因此成为当前公开证据较充分的 catalog-grounded interface 之一；文本和 continuous token 提供迁移或表达力，action token 保留行为序列优势，atomic ID 与 dense retrieval 继续承担记忆和高效检索。
系统效果取决于表示语言与任务的匹配、mapping 的可维护性、生成对象与系统责任的一致性、解码空间所支持的个性化，以及评价对 item 交付、计算预算和长期生态的覆盖。现有证据支持按能力分工：在生成组件确实增加语义信息或控制力的位置接入它，同时保留传统组件承担细粒度记忆、高效检索和可审计故障边界。
参考文献与证据角色
评论区将在滚动到这里时加载