跳转至

Recommendation as Generation：推荐即生成

Fidelity: 核心机制复现。本地代码执行论文最有辨识度、可由公开数据验证的机制；私有数据、生产模型与服务栈明确列为边界。

论文信息

项目 内容
论文链接 arXiv 2606.25496
公司/机构 Kuaishou / Beihang University（按第一作者所属机构聚合）
首次公开日期 2026-06-24（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-09-02）
Adapter rag-generation
本地复现代码 src/auto_research/reproductions/rag_generation/

原始论文总结

背景与主要改动

用解耦语义 ID 连接生成式推荐与兴趣条件视频生成，并以跨域 reward 协调候选选择和内容创建。

flowchart LR
  A["公开行为与候选"] --> B["rag-generation 核心机制"]
  B --> C["同预算方法输出"]
  A --> D["论文定义的直接基线"]
  C --> E["统一指标与结构诊断"]
  D --> E

原论文关键图

Recommendation as Generation：推荐即生成 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文的整体流程、关键阶段及其数据流向。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

\[ z_i=(z_i^{content},z_i^{creative}),\\qquad v\\sim p_\\theta(v|z_{interest}). \]

论文离线与线上效果

  • 快手广告生产 A/B，相对强 GRM 广告收入 +1.870%，相对 DLRM +5.462%。
  • 上述数字只复述论文线上证据，不写入本地公开数据效果结论。

本地复现

本地对照口径：同一全目录协议下，基线 NDCG@10 为 0.05401，实验组 RaG 为 0.04235，相对变化 -21.59%。仅验证 D-SID 接口，视频生成器未复刻；生产线上 lift 的外推不适用。

三随机种子完整结果、均值、标准差与 95% CI：

auto-research reproduce --paper rag-generation --dataset-dir data --seed 42

复现边界

本地使用 MovieLens-1M 的公开子集及可审计代理目标，不能复现论文公司的私有日志、线上分桶、生产模型规模和 serving 栈。因此本页只解释为核心机制级验证，不宣称复现原文绝对指标或线上增益。