小红书精读：PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation

PushDualGen：生成式推荐也能讲清理由

各位算法同学们，今天聊一篇快手发表在工业推荐上的工作：用轻量级生成模型同时输出语义ID和可跳过解释，既保住效果又让推荐逻辑可追溯，已在快手推送场景全量上线。

📄 PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation

🔧 核心创新之一是并行语义ID，用多个独立的embedding slot做量化，避免传统残差量化层层累积误差，长行为序列能被压成更紧凑离散序列。

🧩 第二个创新是双生成目标，先生成SID再生成一段可跳过的解释文案，解释不是硬性推理链，线上可以只跑SID，解释按需生成，兼顾可解释性和推理开销。

⚙️ 第三个是表示融合，把生成模型产出的Top-20 SID编码后与用户特征加权融合，再走ANN检索，让生成信号补全点击行为之外的用户兴趣。

📊 线上A/B测试覆盖1.5亿用户，有效播放率相对提升8.50%，不满率相对下降37.70%。

📈 点击PV相对提升0.43%，DAU相对提升0.05%，说明推送吸引力和用户留存都有正收益。

✅ 消融实验显示SID适配阶段贡献最大，去掉后Pass@1从0.335降到0.319，并行SID和多token绑定也都有正向提升。

总体来说，PushDualGen把“可解释性”做成了可选附件，落地代价小，非常适合工业推送这类高吞吐、低延迟场景。不过论文里LLM用的是0.6B小模型，效果和更大模型之间的差距没细聊，想迁移到别的场景可能需要重新调SID的码本和融合权重，这块坑应该不少。

原文：AlphaXiv