TSGR：淘宝搜索生成式召回¶

复现保真度：核心机制复现。 真实执行并行价值 Semantic ID 和联合 VRM；私有淘宝日志与生产 serving 未复刻。

论文信息¶

项目	内容
论文链接	arXiv 2607.18796
公司/机构	Taobao & Tmall Group of Alibaba / Zhejiang University
首次公开日期	2026-07-21（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	`tsgr`
本地复现代码	`src/auto_research/reproductions/tsgr/`

原始论文总结¶

背景与主要改动¶

淘宝搜索的生成式召回不仅要找到相关商品，还要把商业价值直接带进生成路径。TSGR 先用 residual quantization 生成语义前缀，再为同一前缀下的商品并行分配全局价值码和 query-conditioned 价值码；最后用与生成 backbone 联合训练的 Value-aware Ranking Module（VRM）完成精细排序，避免把独立预排器硬接在生成器后面。

flowchart LR
    A["商品内容与行为"] --> B["Residual quantization"]
    B --> C["语义前缀"]
    C --> D["全局价值码"]
    C --> E["Query 条件价值码"]
    D --> F["生成召回"]
    E --> F
    F --> G["联合 VRM 排序"]

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¶

物品标识由语义码和并行价值码构成：

\[ \operatorname{ID}(i,q)=(c_1,\ldots,c_L,v_i^{\mathrm{global}},v_{i,q}^{\mathrm{query}}). \]

VRM 对生成状态、商品侧信息和价值信号联合打分：

\[ s(q,i)=f_\theta(h_q,e_i,v_i^{\mathrm{global}},v_{i,q}^{\mathrm{query}}), \qquad \mathcal L=-\sum_{i\in P_q}w_i\log \sigma(s_{q,i}) -\sum_{j\in N_q}\log \sigma(-s_{q,j}). \]

论文离线与线上效果¶

论文离线 HR@1000 相对提升 9.16%。淘宝搜索 1% 流量、持续 38 天的 A/B 中，IPV +0.43%、成交笔数 +1.12%、GMV +1.64%，并报告已全量部署。

本地复现¶

本地在 MovieLens 100K 上真实构建两级 residual semantic prefix、全局/条件价值码，并用 23,027 个加权正例和 115,135 个负例拟合联合 VRM；融合权重只在 validation 上选择。

本地对照口径：基线为语义召回加传统预排代理，实验组为 QP-SID 加联合 VRM；seed 42 的 NDCG@10 从 0.02629 升至 0.05672，相对 +115.73%。

稳定指标见 metrics/movielens-100k-seed42.json。这验证的是公开替代数据上的机制可运行性，不等同于淘宝私有 query、商业标签和 H20 beam-search 服务栈。

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