MV-Thinker用多视图思考与分层残差适配改进生成式推荐。
资讯摘要
论文针对基于语义ID的生成式推荐提出MV-Thinker框架，指出用户序列共享上下文建模不足、渐进式SID决策个性化适配不足两个问题。方法上采用多视图时间思考，通过视图专属思考查询与读取器协调全历史与近期历史视图；并用分层残差适配在共享词表投影前自适应变换解码器状态。作者报告在四个公开数据集上，该方法在多项排序指标上优于强判别式与生成式推荐基线。
要点速读
- 论文提出MV-Thinker，用多视图时间思考协调全历史与近期历史两类用户行为视图。
- 分层残差适配将轻量适配器组织为嵌套残差路径，在共享词表投影前自适应变换解码器状态。
- 作者报告在四个公开数据集上，该方法在多项排序指标上优于强判别式与生成式推荐基线，代码与数据集已公开。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。