小红书精读：From Interests to Semantic IDs: Retrieval-Grounded Credit Assignment for Generative Recommendation

SID奖励太稀疏？把信用分给兴趣句

各位算法同学们：一组 rollout 全都没命中目标 SID 时，group-relative RL 的优势直接归零，这批采样等于白跑；更隐蔽的是，两条推理完全不同的轨迹，只要 SID 奖励相同，拿到的更新就一模一样。这篇要补的就是这个 credit assignment 的缺口。

📄 From Interests to Semantic IDs: Retrieval-Grounded Credit Assignment for Generative Recommendation

🔧 把一条 rollout 拆成 history summary、若干条 interest hypothesis 和最终 SID，兴趣句用固定格式输出，因此可以逐条被独立检验，而不是只能靠最后那个 SID 背锅。

🧩 每条 interest 都拿去问一个冻结的 retriever，谁把目标捞进 top-K，正优势就只发给那一行兴趣；而且检索这条通道永远不会去更新最终 SID 那段 span，SID 还是由 exact-match 单独管。

⚙️ 于是同一个 SID 奖励的 rollout 能拿到不同更新；一组里 SID 奖励全为 0、但检索奖励有差异时，兴趣行依然有梯度可学。结构、检索、SID 三路奖励分别归一化。

📊 三个 Amazon Reviews 数据集上，SID 推荐指标一致提升。

📈 Video Games 的 oracle 分析显示，在生成的兴趣里挑出与目标相关的那条 query，recall 和 ranking 都会变好，说明兴趣条件化的 SID 解码还有余量；兴趣本身也能当辅助召回池，约束解码时的候选 trie。

✅ 论文还统计了检索通道能把多少 SID 全 0 的组重新激活，代码已开源。

总结：适合已经在跑 SID + reasoning RL、又被稀疏奖励卡住的人。落地先盯冻结 retriever 的召回和 top-K 取值，检索器不行的话，正信号会被系统性压低，反倒把兴趣句带偏；另外它没替换 SID 奖励，只是在旁边加了一条检索旁路，和 PROMISE、HCGRec 这类沿 SID 路径做过程监督的思路是互补而非替代。

原文：AlphaXiv