Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing
Grevo：统一生成式推荐与进化式物品索引
🧭 生成式推荐 · 进化式语义ID索引 ★ 深度解读
北京邮电大学 · 伊利诺伊大学芝加哥分校
用统一多任务吸收tokenizer角色，通过后验驱动的离散索引进化持续缩小语义-行为鸿沟，无需额外模型或交替优化
📌 工作参考价值（4 点）
- 直接丢弃tokenizer，将SID视为可进化的离散变量：在已上线的生成式推荐系统中，可将初始RQ-VAE量化后的SID作为热启动，后续通过后验反馈迭代修改部分SID，无需保留或重训tokenizer，大幅降低部署复杂度。
- BSG+SSG多任务训练可复用：让同一个seq2seq模型同时学习“从行为序列预测物品ID”和“从物品语义嵌入重建自身ID”，两个任务共享token表征，能在不增加推理成本的前提下强化推荐效果，适用于任何基于T5或类似架构的生成式推荐模型。
- 基于后验的离散候选生成与风险预算：利用训练好的推荐模型计算行为似然、语义似然和跨任务一致性作为打分，从混淆邻居和低负载码本令牌中构建候选，按预算比例只修改最有风险的SID标签，工程上实现轻量、可控的索引更新，适合周期性离线优化或流式场景。
- 进化轮次与参数设置经验：实验表明仅需修改最后两层码本、预算比0.05、λ1=0.25、λ2=0.15 即可在3轮内收敛到最优，这些参数可直接作为电商搜索推荐中语义ID索引进化的默认起点。