arXiv · cs.AI· Song-Li Wu, Weinan Gan, Zhaocheng Du, Xianquan Wang, Jingyi Wang·· 2 天前
FineSID：面向生成式推荐的可扩展高效语义标识符学习
FineSID: Scalable and Efficient Semantic Identifier Learning for Generative Recommendation
arXiv:2609.36670v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Song-Li Wu, Weinan Gan, Zhaocheng Du, Xianquan Wang, Jingyi Wang
研究任务与主要进展
FineSID 通过软化、可微的方式向整个码本传播学习信号，摆脱 Top-1 硬分配导致的稀疏梯度和码字欠训练问题，从而缓解语义标识符碰撞并稳定大码本训练。基于论文摘要，作者报告该方法在多个公开基准上持续提升码本利用率和推荐准确率；具体实验规模、比较基线与结果数值未说明。论文链接：https://arxiv.org/abs/2609.36670v2
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org