HiGR：层级生成式 Slate 推荐¶

Fidelity: 核心机制复现。实际学习两级 residual semantic ID，执行 coarse-to-fine slate 解码和 ORPO 风格偏好重排。

论文信息¶

项目	内容
论文链接	arXiv 2512.24787
公司/机构	Tencent
首次公开日期	2025-12-31（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	`higr`
本地复现代码	`src/auto_research/reproductions/higr/`

原始论文总结¶

背景与主要改动¶

逐物品生成忽略 slate 内相互作用。HiGR 用 PCRQ-VAE 得到层级语义 ID，Hierarchical Slate Decoder 先选簇再选物品，并通过 ORPO 对齐整页偏好。

flowchart LR
  I["物品/行为"] --> Q["PCRQ-VAE semantic IDs"]
  Q --> C["Coarse slate decoder"]
  C --> F["Fine item decoder"]
  F --> O["ORPO listwise alignment"]
  O --> S["Slate"]

原论文关键图¶

原论文 Figure 1（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。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¶

\[ i\mapsto(c_i^{(1)},c_i^{(2)}),\qquad \mathcal L_{\mathrm{ORPO}}=-\log p(y^+|x) -\lambda\log\sigma(\logit p(y^+|x)-\logit p(y^-|x)). \]

论文离线与线上效果¶

论文在公开 KuaiRec 与腾讯数据报告层级生成和 ORPO 优于 flat generator；线上 5% 流量 stay time +1.03%、watch time +1.22%、video views +1.73%、request count +1.57%。

本地复现¶

本地对照口径：相对 flat item slate 基线，实验组 NDCG@10 -12.32%。

MovieLens-1M 上 NDCG@10 0.07514→0.06588（-12.32%），head share 0.21762→0.15714。多样性更好但精度下降，未复现线上收益。指标见 metrics/movielens-1m-seed42.json。

auto-research reproduce --paper higr --dataset-dir data --seed 42

复现边界¶

MovieLens 单物品 next-item 目标并非视频 slate 反馈；本地 k-means residual ID 不等价于生产 PCRQ-VAE。