生成式召回在得物的落地技术分享与思考

📌 一句话摘要

本文分享了得物技术团队在推荐系统中落地生成式召回的一期实践经验，通过基于 Transformer 的生成模型预测用户下一级类目，结合重排模型联合训练，在 AB 测试中实现了消费深度与兴趣多样性的双重提升。

📝 详细摘要

文章详细介绍了得物技术团队在社区推荐场景中探索生成式召回的技术方案与落地效果。针对传统判别式召回方法在时序建模、兴趣多样性及预测能力上的局限，团队设计了“生成预测+引导召回”的范式。技术方案核心包括一个基于 Transformer 的生成式模型（Generative Model）用于预测用户下一个可能点击的一级类目，以及一个与之联合训练的重排模型（Rerank Model）。线上推理采用“生成→向量化→检索→重排”的四步流程。AB 测试结果显示，该方案在人均有效 VV、人均时长等核心消费指标上获得 0.4%左右的显著提升，同时人均点击类目数等多样性指标也得到改善，验证了生成式召回在工业级场景的可行性。文章最后展望了模型能力升级、与 LLM 结合及多模态跨域生成等未来方向。

💡 主要观点

- 生成式召回通过“Next-Token Prediction”范式，实现了从“匹配已知”到“预测潜在”的推荐范式转变。 传统判别式召回受限于历史数据匹配，而生成式模型能基于用户行为序列直接预测下一个可能点击的内容（如一级类目），从而探索用户潜在兴趣，有助于打破信息茧房。

采用“Generative Model + Rerank Model”联合训练的端到端架构，是技术落地的关键。 生成模型负责预测一级类目，重排模型负责精细化排序，两者通过联合训练共享底层特征表示并进行多任务梯度平衡，确保了生成的相关性与排序的精准度。

线上推理采用“生成→向量化→检索→重排”的四步流程，兼顾了预测能力与检索效率。 首先生成 Top-K 一级类目作为硬条件，然后为每个类目构造独立的用户兴趣向量进行 ANN 召回，最后通过重排模型打分和蛇形 Merge 策略融合结果，实现了可控的多兴趣引导式召回。

AB 实验验证了方案在提升消费深度和拓展兴趣广度上的双重价值。 实验数据显示，人均推荐有效 VV、人均时长等深度指标提升约 0.4%，同时人均点击一级/三级类目数等多样性指标也获得显著正向提升，证明了其商业和技术可行性。

💬 文章金句

- 生成式召回通过预测用户下一个可能点击的内容，实现从‘匹配已知’到‘预测潜在’的范式转变。

• 通过‘生成预测 + 引导召回’的技术路径，可以在可控成本下，同时实现用户消费深度与兴趣广度的双重提升。
• 技术方案在保持推荐相关性的同时，显著提升了兴趣探索能力，为打破信息茧房提供了新的技术路径。
• 生成式算法具有 scaling-law 规律：随着样本与模型规模的提升，能大幅提高模型的表达能力，提高线上的推荐效果。

📊 文章信息

AI 初评：88

来源：得物技术

作者：得物技术

分类：人工智能

语言：中文

阅读时间：13 分钟

字数：3038

标签： 生成式召回, 推荐系统, Transformer, 得物技术, 工业实践

阅读完整文章