小红书精读：Cross-Country Code-Mixing for Generative Recommendation

跨国推荐ID不互通，代码混搭破局 🌍

各位算法同学们，跨国家推荐里各市场的用户ID和商品ID完全不重叠，传统跨域方法赖以为生的共享锚点直接消失。阿里国际这篇工作换了个思路：自然语言里有多语言code-switching语料，推荐为什么不能自己造一份？

📄 Cross-Country Code-Mixing for Generative Recommendation

🔧 共享语义码本：先编码多模态内容，再跨国家联合训一个行为驱动的i2i对齐模型，共享负样本池让“长得像且行为也像”的商品互相靠近，最后过RQ-VAE出token序列。这个码本一物两用，既是GR的tokenizer，也是跨国替换的公共语义空间。

🧩 双重约束的token级混搭：替换发生在语义token上而不是各国家的item ID上，候选必须同时过静态内容约束（token序列的汉明距离）和动态属性约束（价格、受众、热度按国家分位数分桶对齐后的余弦相似度）。只靠标题图片相似就替换，在两个市场里可能是完全不同的角色，噪声很难控。

⚙️ 上下文感知重加权：item级过滤管不了上下文，一个和Apple设备序列不搭的安卓平板，内容属性都对得上但意图是错的。于是让GR模型自己算 P(y’

x) 除以 P(y

x)+P(y’

x) 当权重，带stop-gradient，只用来给噪声样本降权，不回流梯度。

📊 两个真实多国家数据集上，数据稀疏国家提升明显，数据充足国家没有掉点，说明不是简单的此消彼长

📈 线上A/B：广告收入 +1.77%

✅ 订单 +2.64%，来自大型电商平台的真实大盘

总结：如果你在做多市场或多域的生成式推荐，尤其小市场冷启动、想从大盘借信号，这篇的“数据级迁移”比纯参数共享更直接，也容易接进现有GR pipeline。要盯的是稀疏国家的收益和大市场有没有负迁移；两个坑先划出来，码本低频更新，价格热度这类快变量必须自己补一路side-info分桶，不然会拖后腿；替换率k和采样子率p直接决定混入多少噪声，建议先在单个小市场小步调。

原文：AlphaXiv