小红书精读：IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation

IntHQ：破解多任务生成推荐的三种崩溃

各位算法同学们，这篇论文提出了 IntHQ，一个把多任务学习融入生成式推荐的新框架，专门解决现有模型在三层语义上的信息崩塌问题。从工业落地到理论分析都很扎实，值得一读。

📄 IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation

🔧 双流解耦（DSD）：任务 token 从底层就开始分叉，与共享上下文流完全隔离，避免任务信号被稀释。 🧩 任务交互建模（TIM）：用注意力机制显式建模任务之间的依赖，替代固定漏斗，依赖强度随输入自适应。 ⚙️ 分层查询（HQ）：每个任务通过深度注意力从不同层聚合多尺度特征，训练阶段也能动态调整最优点。

📊 离线实验在 163M 用户、4.1B 交互的 IntTravel 数据集上，IntHQ 在四种任务头配置下均取得最佳指标。 📈 在线部署在高德地图，覆盖数亿用户，UVCTR 相对提升 1.60%。 ✅ 服务峰值 30k QPS，平均推理延迟仅 40ms，99% 延迟 100ms，工业落地友好。

个人觉得这工作把生成式推荐的多任务问题拆解得很清晰，双流设计值得借鉴。不过训练时需要构造任务 token 序列，工程复杂度不低，小团队可能要权衡成本。

原文：AlphaXiv