BARGE：修复生成式推荐的 item 结构与语义漂移¶

Fidelity: 核心机制复现。实际训练 OSQ 双语义路径、ICA、HPR、双 decoder 与 item-space OR-fusion；缩小公开数据与服务规模。

论文信息¶

项目	内容
论文链接	arXiv 2607.21028
公司/机构	Tencent
首次公开日期	2026-07-23（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	`barge`
本地复现代码	`src/auto_research/reproductions/barge/`

原始论文总结¶

背景与主要改动¶

RQ-VAE 把一个 item 展成多个 Semantic-ID token 后，普通 Transformer 会丢失 item 边界；单量化路径还会让早期 beam 偏差逐层放大。BARGE 用 ICA 将同一 item 的 token 聚合后门控回写，用 HPR 对累计语义路径做逐层对比重排，并通过正交切分产生两条互补解码路径。

flowchart LR
  E["item embedding"] --> O["Householder rotation + orthogonal split"]
  O --> A["channel A residual codes"]
  O --> B["channel B residual codes"]
  H["history dual IDs"] --> I["ICA item pooling + gated fusion"]
  I --> S["shared encoder"]
  S --> DA["decoder A + HPR"]
  S --> DB["decoder B + HPR"]
  DA --> F["item-space OR fusion"]
  DB --> F

原论文关键图¶

原论文 Figure 2（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¶

ICA 先得到 item context，再门控回写：

\[ z^{(i)}=\operatorname{LN}(\operatorname{CrossAttn}(q,X^{(i)},X^{(i)})), \qquad \hat x_l^{(i)}=x_l^{(i)}+\sigma(W_g[x_l^{(i)}\Vert\hat z^{(i)}])\odot\hat z^{(i)}. \]

HPR 用累计路径 \(p^{(l)}=\sum_{j=1}^{l}e_{c_j}\) 与用户 context 做 symmetric InfoNCE；推理将生成 log-probability 与 reranker score 相加。DPD 约束 \(R^\top R=I\)，将 \(Rz\) 切成两个正交子空间并分别量化。

论文离线与线上效果¶

论文在 Amazon Beauty、Sports、Toys、Yelp 和腾讯离线数据上均报告提升。腾讯线上 A/B：CTR +0.60%、点击 UV +1.34%、总阅读时长 +1.70%。

本地复现¶

本地对照口径：基线是同 width、层数、训练行、optimizer 和 140 steps 的 single-path RQ-VAE/TIGER；实验组增加 OSQ、ICA、HPR 和 DPD，NDCG@10 从 0.01147 到 0.02131，相对 +85.77%。

MovieLens-100K 的 180 users / 300 items 上，Hit@10 +60.00%，但 head share 同时 +165.02%，因此不能把精度提升解读成无代价收益。OSQ 重建 loss 从 0.05969 降至 0.01947，正交误差 2.98e-7。稳定指标见 metrics/movielens-100k-seed42.json。

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

复现边界¶

MovieLens genre 替代腾讯 item embedding；全库 teacher-forced path scoring 替代生产 beam kernel，未使用私有曝光负例和线上 serving。OSQ、ICA、HPR、DPD 均真实训练，但本地百分比不对应论文线上 lift。