HCGRec: Hint-Conditioned Generative Recommendation with Semantic IDs
Di cosa parla
HCGRec migliora i sistemi di raccomandazione che costruiscono ogni oggetto come una breve sequenza di simboli e poi generano passo dopo passo il prossimo elemento. Quando la generazione prende il ramo sbagliato all'inizio e l'allenamento non riceve segnali utili, HCGRec rileva il caso e fornisce un piccolo suggerimento iniziale per entrare nella giusta famiglia di oggetti, lasciando poi al modello completare il resto.
Cosa permette di osservare
Permette di esplorare come ridare segnali utili ai sistemi che generano elementi passo dopo passo quando errori iniziali azzerano l'apprendimento, e quale equilibrio trovare tra dare suggerimenti e lasciare libertà al modello.
Dalla fonte
Semantic-ID generative recommenders represent each item as a short sequence of discrete semantic tokens and predict the next item by autoregressively generating this token sequence. This paradigm enables a unified generation interface for item IDs, histories, and item text, but it also creates a structured optimization bottleneck during reward-based post-training: when an early semantic token enters the wrong branch of the item-token space, finite rollout groups rarely reach the ground-truth item, so group-relative optimization receives identical zero rewards and produces no useful advantage. We propose Hint-Conditioned Generative Recommendation (HCGRec), a semantic-ID generative recommendation framework that recovers learning signal for such hard training instances. HCGRec diagnoses each instance with checkpoint rollouts and supplies a minimal target-prefix hint only when the current g…