멀티 전문가 투영 및 다면적 계층적 양자화를 통한 비대칭 생성형 추천

Asymmetric Generative Recommendation via Multi-Expert Projection and Multi-Faceted Hierarchical Quantization

생성형 추천(GenRec) 모델은 추천을 시퀀스 생성 작업으로 재구성하며, 아이템을 이산적인 의미 ID로 표현하고, 이 ID를 입력과 예측 목표 모두에 대칭적으로 사용합니다. 본 연구에서는 이러한 설계에서 발생하는 중요한 이중 단계 정보 병목 현상을 지적합니다. (1) 입력 병목 현상: 손실적인 양자화는 미세한 의미를 저하시키고, 인기도 편향은 학습된 표현을 빈번한 아이템 쪽으로 왜곡합니다. (2) 출력 병목 현상: 부정확한 이산적인 목표는 지도 학습의 품질을 제한합니다. 이러한 문제를 해결하기 위해, 입력 및 출력 표현을 분리하는 비대칭 연속-이산 프레임워크인 AsymRec을 제안합니다. 구체적으로, 멀티 전문가 의미 투영(MSP)은 전문가별 투영을 통해 연속적인 임베딩을 Transformer의 숨겨진 공간으로 매핑하여 의미적 풍부성을 유지하고, 빈번하지 않은 아이템에 대한 일반화 성능을 향상시킵니다. 다면적 계층적 양자화(MHQ)는 다중 관점 및 다중 레벨 양자화를 통해 고용량을 가진 구조화된 이산적인 목표를 구축하며, 의미 기반 정규화를 통해 차원 축소를 방지하면서도 미세한 구분을 유지합니다. 광범위한 실험 결과, AsymRec은 평균적으로 15.8%의 성능 향상을 보이며, 최첨단 생성형 추천 모델보다 우수함을 입증했습니다. 코드 공개 예정입니다.

Generative Recommendation (GenRec) models reformulate recommendation as a sequence generation task, representing items as discrete Semantic IDs used symmetrically as both inputs and prediction targets. We identify a critical dual-stage information bottleneck in this design: (1) the Input Bottleneck, where lossy quantization degrades fine-grained semantics, while popularity bias skews the learned representations toward frequent items, and (2) the Output Bottleneck, where imprecise discrete targets limit supervision quality. To address these issues, we propose AsymRec, an asymmetric continuous-discrete framework that decouples input and output representations. Specifically, Multi-expert Semantic Projection (MSP) maps continuous embeddings into the Transformer's hidden space via expert-specialized projections, preserving semantic richness and improving generalization to infrequent items. Multi-faceted Hierarchical Quantization (MHQ) constructs high-capacity, structured discrete targets through multi-view and multi-level quantization with semantic regularization, preventing dimensional collapse while retaining fine-grained distinctions. Extensive experiments demonstrate that AsymRec consistently outperforms state-of-the-art generative recommenders by an average of 15.8 %. The code will be released.