小红书精读：SPARC: Sequence-aware Progressive Attribute Routing and Compression Framework for Generative Recommendation

🧠 静态SID不够用？先理解再压缩试试

各位算法同学们，生成式推荐里每个历史行为只给一个token，却要装下品类、品牌、价格、行为类型和时间戳，这可能吗？SPARC说可以，而且是在不增加主模型输入长度的前提下。这篇来自阿里，专门解决静态SID放不进动态上下文的问题，思路很值得琢磨。

📄 SPARC: Sequence-aware Progressive Attribute Routing and Compression Framework for Generative Recommendation

🔧 先做字段级上下文建模：把同一字段类型（比如品牌）在用户历史里按顺序建模，得到上下文感知的字段表示，而不是孤立地看待每一次点击或购买。

🧩 再做上下文感知属性路由：综合原始字段、上下文字段和字段身份，把它们路由到固定数量的槽位中，在预算不变的前提下保留互补信息，避免直接压缩造成信息丢失。

⚙️ 最后做跨交互轻量整合：把中间token重新组织成细粒度序列，做轻量级跨交互建模，再把每个历史行为压回单个token喂给生成主模型。整体原则是“先理解再压缩”，不增加主模型输入长度。

📊 在淘宝工业数据集和两个Amazon公开数据集上，SPARC一致优于强常规基线和生成式基线。

📈 和静态压缩变体对比，提升主要来自上下文条件的信息保留，而不是压缩模块本身更强。说明“什么时候该保留什么信息”比“能不能压缩”更关键。

各位算法同学们，这个工作对工业生成式推荐很有参考价值，尤其是那些想往输入里塞更多特征又怕序列太长的场景。落地时要注意：路由槽位数量和字段选择都是超参数，不同业务可能要重新调；前处理模块虽然轻量，但毕竟多了几步，工程上要控制好延迟。

原文：AlphaXiv