精选2个月前0 投票
随机原始-对偶解码：为多目标生成式推荐系统而生
生成式推荐系统（RS）近年来凭借其强大的序列建模能力，在提升推荐相关性上取得了显著成效。然而，实际推荐场景往往需要构建满足多重目标的物品列表（Slate）——例如，既要保证相关性，又要满足物品属性约束或公平性指标。现有方案要么依赖后处理技术（但未考虑生成式RS的序列特性），要么将辅助目标直接融入模型训练（在大规模系统中难以落地）。
针对这一痛点，研究者提出了一种轻量级的推理时解码层，无需修改或重新训练底层生成模型，即可支持多目标Slate生成。其核心思路是将解码过程转化为一个在线约束优化问题：每次选择物品时，根据剩余约束“松弛量”（即各目标还需满足的程度），动态调整相关性与辅助目标之间的权衡。
具体实现采用随机原始-对偶近似方法，在生成过程中平衡主目标（相关性）与辅助目标。理论方面，作者给出了约束违反度和遗憾值的保证；实验方面，在离线大规模评测和线上A/B测试中均验证了有效性。关键成果包括：在用户满意度零损失的前提下，辅助目标实现了**+1.8%的提升**。
这一工作为生成式推荐系统的多目标优化提供了新的思路——将约束满足从训练阶段转移到推理阶段，既保持了模型的可迁移性，又降低了部署成本。对于需要同时优化点击率、多样性、公平性等指标的实际系统，该方法具有较高的实用价值。
核心价值：
- 无需重新训练，即插即用
- 动态权衡，适应性强
- 理论保证与实证效果兼备
