小红书精读：Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs

一次生成就排好序，推荐系统还能这样？

各位算法同学们，先问一个问题：如果推荐模型不再先召回再精排，而是直接把整个推荐列表“生成”出来，会怎样？这篇来自快手的工作给出了答案——列表生成与排序合一，而且线上有效观看涨了1.12%。

📄 Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs

🔧 第一，TUSID：把多模态内容和品牌/类目等属性用注意力融合，再用CountSketch压缩共现信息，按置信度加权拼成统一的语义-协同ID，让SID既懂内容又懂行为。 🧩 第二，GL2P：用全局列表级偏好规划器先规划每个位置，再让位置级SID解码器流水线生成，把串行KD步变成K+D步，避免逐item解码。 ⚙️ 第三，SPA：用主奖励和辅助奖励校准后做保守策略优化，对齐整列表偏好，同时加KL约束防止政策漂移。

📊 实验效果：工业数据集NDCG@5相对提升48.2%，公开数据集相对提升27.2%。 📈 线上A/B测试有效观看提升1.120%，评论提升2.954%。 ✅ 解码吞吐比TIGER-Beam快2.43倍，比OneRec-Beam快2.49倍，且NDCG最高。

总结：这篇把生成式推荐从单item扩展到了slate级，对做推荐排序和生成式召回的同学有参考价值。要注意的是SPA需要额外构造奖励和rollout，线上落地成本不低；另外SID的码本质量直接影响生成上限，建议先在自己数据上评估TUSID的码本指标。

原文：AlphaXiv