TIGER：Recommender Systems with Generative Retrieval¶
保真度：核心机制复现。RQ-VAE、残差语义 ID、collision token 和自回归 Transformer 检索链路均实际训练；MovieLens genre 替代 Sentence-T5 商品文本，省略 hashed user token 与 cold-start epsilon mixing。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2305.05065 |
| 公司/机构 | Google / Google DeepMind |
| 首次公开日期 | 2023-05-08（arXiv v1） |
| 原文开源代码 | 否：论文未提供官方/作者代码（核查日期：2026-08-09） |
| Adapter | tiger |
| 本地复现代码 | src/auto_research/reproductions/tiger/ |
原始论文总结¶
背景与主要改动¶
传统召回为每个物品维护独立 ID embedding，难以共享语义，也无法自然生成新物品。TIGER 先把内容向量量化成分层 Semantic ID，再让 encoder-decoder 像生成 token 一样生成下一个物品；同一语义前缀的冲突由额外 token 消解。
flowchart LR
C["物品内容"] --> V["RQ-VAE encoder"]
V --> Q["逐层 residual quantization"]
Q --> I["Semantic ID + collision token"]
H["用户历史物品"] --> X["Semantic ID 序列"]
I --> X
X --> E["Transformer encoder"]
E --> D["Autoregressive decoder"]
D --> R["约束到有效 Semantic IDs 的全库排序"]原论文关键图¶
原论文 Figure 3（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
RQ-VAE 逐层量化 residual：
物品 ID 为 \((c_1,c_2,c_3,c_{collision})\)。生成器最大化条件概率 \(\sum_t\log p(c_t\mid c_{<t},\mathrm{history})\)；本地推理对所有有效物品 ID 求逐 token log-probability 之和，不用打分融合代理。
论文离线与线上效果¶
- 离线：论文在 Amazon Sports/Beauty/Toys 报告 TIGER Recall@10 0.0400/0.0648/0.0712，NDCG@10 0.0225/0.0384/0.0432；相对当时最佳 baseline 的 NDCG@10 分别 +10.29%/+17.43%/+14.97%。
- 在线：论文没有报告真实生产线上 A/B。
TIGER 是用户明确指定的生成式推荐经典例外，不改变工业论文线上 A/B 硬门槛。
本地复现¶
本地对照口径：基线是词表容量和参数量匹配的随机分层 ID 生成器；实验组是 TIGER Semantic ID；NDCG@10 从 0.01043 降至 0.00635（-39.16%）。这是 ID 方案消融，不是相对 DIN 的比较。
MovieLens-100K 的 19 维 genre 内容，932 个有效用户、1,682 个物品，全库生成式排名。RQ-VAE 训练 240 step；三个生成器 seed 各 240 step。对照使用随机分层 ID，并强制相同四层词表容量和相同 155,760 参数，避免随机 ID 因小词表获益。
RQ-VAE loss 从 0.07172 降至 0.01497，但 1,682 个物品只有 199 个不同三层语义前缀，collision token 需要 376 个取值，说明 genre 信息过粗。
| ID scheme | Hit@10 | NDCG@10 | Head share@10 |
|---|---|---|---|
| Matched random ID | 0.02039 ± 0.00836 | 0.01043 ± 0.00190 | 0.55755 |
| TIGER semantic ID | 0.01395 ± 0.00488 | 0.00635 ± 0.00182 | 0.39270 |
Semantic ID 相对 matched random ID 的 NDCG@10 为 -39.16%。核心生成链路可运行，但该结果明确显示：只有粗粒度 genre 时，RQ Semantic ID 的强碰撞会抵消语义共享收益。更接近论文的下一步应使用 Amazon 商品文本和 Sentence-T5，而不是继续增加 decoder step 掩盖内容瓶颈。
审计指标见 metrics/movielens-100k-seeds42-44.json。