5.5. 本章总结

本章系统介绍了生成式推荐的基础技术体系，为理解后续各类方法奠定了理论与工程双重基础。

范式转变的动机与本质：传统判别式推荐长期以“对候选集打分排序”为核心范式，这一设计带来了三重局限——Embedding层参数稀疏低效、物品ID之间缺乏语义关联、多阶段级联导致优化目标不一致且误差逐层累积。生成式推荐的根本性转变在于将推荐任务重定义为序列生成问题：模型不再判断“某个物品是否应被推荐”，而是直接学习“用户接下来会与哪些物品交互”的概率分布。这一转变从局部决策转向全局概率建模，从多阶段优化转向端到端目标，为推荐系统的架构革新打开了空间。

生成式架构的两大范式：Transformer与Diffusion模型分别代表了两种互补的生成机制。Transformer的自注意力机制能够在用户行为序列中捕捉任意位置间的长程依赖，其高度规整的矩阵运算使其能够充分利用现代GPU并行计算能力，并通过简单堆叠实现参数规模化；Diffusion模型则提供了另一种生成视角，通过前向加噪与反向去噪的迭代过程在数据空间或潜在空间中实现高质量生成，其随机采样机制为推荐多样性提供了内在支持。两种架构并非互斥，在不同推荐场景中可以灵活组合。

LLM建模流程的迁移：大语言模型的“预训练-指令微调-偏好对齐”三阶段范式为生成式推荐提供了完整的方法论框架。预训练阶段通过因果语言建模在大规模数据上建立通用生成能力；指令微调阶段将通用能力对准特定任务；偏好对齐阶段（RLHF/PPO/DPO）让模型的输出符合人类意图。这一流程迁移到推荐领域时，核心挑战在于如何让LLM“理解”推荐系统中的物品——这直接引出了Tokenizer技术的核心问题。

Tokenizer：连接两个世界的桥梁：物品的Token化是生成式推荐最关键的技术问题之一。稀疏ID范式虽然工程成熟，但在生成模型下面临词表爆炸、冷启动和协同信号稀疏的三重困境；文本ID范式借助LLM预训练词表降低了词表规模，但纯文本难以捕捉用户行为层面的协同语义；语义ID范式（RQ-VAE、RQ-Kmeans等Codebook方法）通过层次化量化将物品映射为短码序列，同时编码内容语义与协同信号，成为当前工业级生成式推荐的主流选择。语义ID的核心价值在于既能被LLM高效处理，又能保留推荐系统赖以工作的协同信息，为后续端到端生成奠定了基础。

技术体系的内在逻辑：本章四个核心话题形成了层层递进的逻辑链：范式转变指明了为什么需要生成式推荐，架构基础回答了用什么模型来实现生成，LLM建模流程提供了如何训练这类模型的方法论，Tokenizer技术则解决了推荐数据如何适配生成模型的接口问题。这四个层次共同构成了理解后续章节——从Scaling架构到端到端生成、从会思考的推荐到扩散模型应用——所必需的完整基础。