小红书精读:IntentGR: Enhancing Intent for End-to-End Personalized Generative Retrieval in Search
生成式检索别把query只当输入🔍
各位算法同学们,端到端生成检索有个大家都清楚、却很少有人正面写出来的问题:query在模型里基本只算一个输入特征,既不参与SID的学习,也不参与解码引导,于是生成的语义ID容易漂向高频token模式,跟你这次搜的意图对不上。这篇就在四个阶段把query重新当成主角来强调。
📄 IntentGR: Enhancing Intent for End-to-End Personalized Generative Retrieval in Search
🔧 QBR:把同一query下更早的历史行为单独拼成一条query级行为序列,作为新的输入信号,跟用户长期偏好一起放进同一个encoder,让模型自己去找和当前query相关的历史兴趣。
🧩 QSA:在tokenizer和生成器联合优化时加一个共享的query-item语义目标,让生成端的query表示去对齐tokenizer重建出的目标item表示,而不是各自只围着item重建和SID预测转。
⚙️ LQE 和 QAM:前者对长尾query做增广,提高出现次数和语义多样性,缓解头部query主导训练分布;后者在解码阶段用query语义调制attention上下文,让解码器生成SID时更受query引导。
📊 在公开基准AOL4PS上,Recall@10相对最强baseline提升8.11%;在阿里国际的工业级电商数据集AE上提升11.96%。
📈 长尾query上的增益比整体更明显,说明LQE这部分确实在起作用。
✅ 四个机制是互补的,从输入表示、联合优化、训练分布到解码上下文各管一段,少一段效果都会下降。
总结感想:做搜索侧生成式检索、手上有query级行为日志的团队,这套结构可以借鉴。要盯的指标很明确:整体Recall@10和长尾query分桶后的Recall@10一起看,同时监控生成SID的频次分布有没有继续向头部集中。容易出问题的地方在数据侧:QBR依赖同一query下的历史行为,长尾和冷启动query本来就稀疏,LQE的增广质量直接决定上限;另外对比基线是ETEGRec这类推荐向端到端方法和ASI++这类只把query当对齐信号的检索方法,跟它们比才有意义。


原文:AlphaXiv