小红书精读：HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems

长尾推荐新解法：双曲空间生成索引

各位算法同学们，生成式推荐一直有个尴尬：LLM只认文本token，推荐系统却依赖离散item ID，两者硬凑经常出现幻觉。今天这篇工作把item索引搬进了双曲空间，直接瞄准长尾物品推荐，实验显示对尾部item的提升相当明显。

📄 HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems

🔧 核心创新是把RQ-VAE的残差量化过程从欧氏空间搬到庞加莱球，用指数映射和对数映射让item的表征在双曲空间里完成离散编码。 🧩 双曲空间体积随半径指数增长，天然契合用户-物品交互的幂律分布，给了稀疏长尾物品更多可区分的表示容量，而不是像欧氏空间那样被头部物品挤压。 ⚙️ 他们还分析了语义token本身也是长尾的，双曲层次结构既能保留文本语义又能让尾部物品的编码不那么容易被混淆，算是对症下药。

📊 在Amazon Instruments、Arts和MovieLens三个数据集上，用标准序列模型对比多种索引策略，HypRQ-VAE在整体推荐指标上超过欧氏RQ-VAE基线。 📈 按帕累托原则划分头尾（top 20% head，bottom 80% tail），长尾物品的推荐提升尤其显著，说是“substantially more capacity”给到tail items，具体数字可以去看论文里的表。 ✅ 分析实验显示，双曲空间学到的item层次结构更清晰，尤其对低频、语义独特的物品，能有效降低生成式推荐的幻觉概率。

如果你在搞生成式推荐或者语义ID这套东西，这篇值得对比一下欧氏和双曲的索引差异。不过注意，双曲空间计算比欧氏麻烦，工程化要评估耗时；另外论文里没有披露大规模线上场景，所以落地时别只盯着离线涨点，还得看线上延迟和稳定性。

原文：AlphaXiv