小红书精读：SPAR: Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs

SID树解码，错一步就救不回来🔍

各位算法同学们，生成式推荐里最难受的一点是：SID树只要有一层选错父节点，后面beam开再宽也救不回来，因为目标前缀已经被剪掉了。这篇工作就在处理这个不可逆的剪枝问题，并顺带把候选分支负载不均的老毛病拉了进来一起修。

📄 SPAR: Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs

🔧 PATH Decoder：把长期行为按SID树深度压成由粗到细的memory bank，每一步解码用prefix-conditioned cross-attention按当前已生成前缀去捞证据，再与近期行为、用户画像、请求时event context拼接，并非给出一个固定user向量，让每步看到不同证据。

🧩 RQ-PIB：作者指出全局码本均衡是假象，同一个codeword挂在不同的父前缀下，条件分布可能极其偏斜。该方法在RQ基础上只在同父兄弟分支间重排交互负载，用最小语义重构误差换局部均衡。

⚙️ 两件事是耦合的：SID构造决定每层有哪些候选分支，解码器决定怎么给分支打分，只优化一头会出现候选空间与个性化证据错位。

📊 优酷大规模离线数据上，HR@10/20/50/100平均相对提升2.66%（对比最强基线）。

📈 目标前缀保留率平均涨5.79个百分点，说明不可逆剪枝确实少了。

✅ 流量加权后的最大子分支占比在各SID层平均降32.84%，热门路径的压制被削弱。

🎬 线上7天A/B，10%生产流量，人均观看时长+3.95%，播放转化率+3.38%。

总结感想：做生成式召回、尤其已经在跑SID+TIGER/OneRec这条线的人可以跟。要盯两个指标：target-prefix retention，以及各层兄弟分支的负载分布，只看整体HR容易被平均掉。坑在于RQ-PIB会改动物品码，SID一变就得重训或重对齐，语义重构误差也得现场验；另外prefix检索是逐步做的，线上延迟要单独压测。

原文：AlphaXiv