GLIDE：融合长短期兴趣的生成式检索¶
复现保真度：核心机制复现。 Residual Semantic ID、code 生成和双时间尺度 prompt 均实际执行。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2603.17540 |
| 公司/机构 | Spotify |
| 首次公开日期 | 2026-03-18（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 | glide |
| 本地复现代码 | src/auto_research/reproductions/glide/ |
原始论文总结¶
背景与主要改动¶
纯近期序列容易只召回习惯内容。GLIDE 用 Semantic ID 自回归生成候选，同时把近期行为和长期用户 embedding 作为两类 prompt，兼顾即时意图与探索。
flowchart LR
A["Recent history"] --> C["Prompted decoder"]
B["Long-term embedding"] --> C
D["Residual Semantic IDs"] --> C
C --> E["Constrained generative retrieval"]原论文关键图¶
原论文 Figure 1（关键图）：展示原论文的训练流程与关键优化环节。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¶
\[
p(c_{1:L}\mid h_{\rm recent},u_{\rm long})
=\prod_{\ell=1}^L p(c_\ell\mid c_{<\ell},h_{\rm recent},u_{\rm long}).
\]
论文离线与线上效果¶
Spotify 线上 non-habitual streaming +5.4%，new-show discovery +14.3%。
本地复现¶
公开 item feature 做三级 residual quantization，以 code transition 生成并融合短期历史/长期内容画像。
本地对照口径：基线为传统 transition/content retrieval，实验组为 Semantic-ID 双 prompt 检索；NDCG@10 0.03540→0.03437，相对 -2.89%，见
metrics/movielens-100k-seed42.json。