From Raw IDs to Semantic Planning: How Recommender Systems Utilize Information at Scale
从原始 ID 到语义规划：推荐系统信息利用的演进
🧭 推荐系统信息利用的范式演进 ★ 深度解读
University College Dublin · Huawei Ireland Research Centre
提出推荐系统正从原始 ID 经语义 ID 走向语义规划，将曝光目标显式化以协调多方利益
📌 工作参考价值（4 点）
- 引入语义规划层：在 item 检索之前先预测本轮曝光的语义目标（如安抚犹豫用户、降低感知风险），再实例化为具体商品/广告/文案。面向电商场景，可将排序解耦为「目标制定 → 实例化」，更容易对多业务目标（转化、GMV、留存、新客获取）进行显式协调。
- 语义 ID 作为中间控制变量：电商大目录下，语义 ID 可封装类目、属性、场景标签等，使得跨域、跨模态的 item 共享同一结构化标识。可借鉴其离散 token 序列的形式，让召回、排序、创意生成等异构模块直接消费同一 ID，降低跨空间对齐成本。
- 识别未满足需求：当语义目标无法被现有商品满足时，系统能沉淀出「需求缺口」信号，反向推动选品、招商或内容生产。这比单纯做 item 匹配更贴近平台经营逻辑。
- 适配多利益方：将广告、自然推荐、消息推送等统一到「曝光目标」语义层，使得同一目标可通过不同渠道实例化（商品、优惠券、直播预告），平台可基于目标层面分配流量和创意资源，而非各自独立优化。